論文の概要: OmniMechanism Design for Human-AI Collaboration with Impressionable Minds

• arxiv url: http://arxiv.org/abs/2611.00441v1
• Date: Fri, 30 Oct 2026 22:49:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:29:13.837454
• Title: OmniMechanism Design for Human-AI Collaboration with Impressionable Minds
• Title（参考訳）: 印象に富んだ人間とAIの協調のためのオムニメカリズム設計
• Abstract要約: 我々は、人間とAIのコラボレーションのための厳密で理論的に根ざした枠組みを導入する。 我々の枠組みは人間の印象性の原則的特徴を提供する。 さまざまなクエリコストと評価目標に対して、トレーニングをすることなく、堅牢で適応可能な意思決定を可能にする。
• 参考スコア（独自算出の注目度）: 27.264900783531104
• License:
• Abstract: As AI systems are increasingly deployed in high-stakes domains such as healthcare, effectively integrating human expertise with AI outputs is critical for reliable decision-making. A substantial body of theoretical work studies optimal mechanisms for human-AI collaboration (HAC), focusing on when to involve humans and how to combine their expertise with AI predictions. However, these approaches largely overlook a key factor highlighted by empirical evidence: human judgments are impressionable and can vary depending on how AI outputs are presented. For example, when AI systems defer decisions to humans, revealing or withholding the AI prediction can significantly influence human judgments. Moreover, existing work neglects deployment-time variability, where conditions, particularly the cost of eliciting human input, may differ substantially from those observed during training. To address these challenges, we introduce a rigorous and theoretically grounded framework for human-AI collaboration, termed collaborative omnimechanism design, based on a novel and computationally efficient contextual bandit variant of boosting for outcome indistinguishability. In particular, we reduce a calibration-type outcome indistinguishability condition to weighted calibration, providing a novel time-efficiency result, bypassing the high-dimension curse induced by complicated collaboration methods and outcome space. Our framework provides a principled characterization of human impressionability and introduces a unified optimization scheme that enables robust and adaptable decision-making across diverse query costs and evaluation objectives without retraining. We evaluate the framework in three HAC settings, examining adaptation to query costs and prediction objectives without retraining, and show that its induced policies perform comparably to or better than the evaluated baselines.
• Abstract（参考訳）: AIシステムは、医療などの高度な領域にますますデプロイされているため、人間の専門知識とAIのアウトプットを効果的に統合することは、信頼できる意思決定に不可欠である。 理論的な研究のかなりの部分は、人間とAIのコラボレーション(HAC)の最適メカニズムを研究し、いつ人間を巻き込むか、どのように専門知識をAI予測と組み合わせるかに焦点を当てている。 人間の判断は印象的であり、AIのアウトプットの提示方法によって異なる可能性がある。 例えば、AIシステムが人間に決定を遅らせる場合、AIの予測を明らかにしたり、無視したりすると、人間の判断に大きな影響を及ぼす可能性がある。 さらに、既存の作業は、特に人間の入力を誘発するコストといった条件が、トレーニング中に観察されるものとは大きく異なる場合、デプロイメント時の変動を無視する。 これらの課題に対処するために、我々は人間とAIの協調のための厳密で理論的に根ざした枠組みを導入し、共同機構設計(cooperive omnimechanism design)と呼ぶ。 特に、重み付けキャリブレーションに対するキャリブレーション型結果の不一致条件を減らし、複雑な協調手法と結果空間によって引き起こされる高次元の呪いを回避し、新しい時間効率結果を提供する。 提案フレームワークは,人間の印象の信頼性を原則として評価し,多種多様なクエリコストや評価目標に対する堅牢かつ適応的な意思決定を可能にする統一的な最適化手法を提案する。 このフレームワークを3つのHAC設定で評価し,クエリコストや予測対象への適応性について再訓練せずに検討し,その誘導方針が評価基準値と同等以上の性能を示すことを示す。

関連論文リスト

• When Do Humans and Machines Truly Complement Each Other? Formal Conditions and Empirical Evidence for Human-AI Synergy [5.119657055297124]
  我々は、依存パターンのレンズを通して人間とAIの相互作用をモデル化するための正式な枠組みを提案する。 我々は、相乗効果に数学的に必要で十分な条件を導出し、その出現はどちらのエージェントが他のエージェントの誤りを識別し、修正する能力に依存することを示した。
  論文  参考訳（メタデータ） (2026-10-20T10:09:59Z)
• Robust Human-AI Complementarity under Uncertainty [16.894647212197782]
  人間の意思決定者に対する情報品質に関する非対称的な情報とAIは、意思決定者がAI予測から補完的な価値を抽出する能力にどのように影響するかを研究する。 我々は、人間とAIの予測における誤差相関構造が重要な要素であることを示した。 特に、AIの予測エラーが人間のものとテキスト的に負の相関がある場合、意思決定者は期待されるユーティリティの改善を保証する堅牢な戦略を構築することができる。
  論文  参考訳（メタデータ） (2026-07-07T17:58:06Z)
• Human-AI Collaborative Uncertainty Quantification [26.38833436936642]
  我々は、AIモデルが人間の専門家の提案する予測セットをいかに洗練するかを形式化するフレームワークであるHuman AI Collaborative Uncertainty Quantificationを紹介する。 最適協調予測セットは1つのスコア関数上の直感的な2つのしきい値構造に従っており、古典的な結果を共形予測で拡張することを示す。 画像分類、回帰、テキストベースの医学的意思決定に関する実験は、協調予測セットがエージェント単独よりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2025-10-27T16:11:23Z)
• Bias in the Loop: How Humans Evaluate AI-Generated Suggestions [9.578382668831988]
  人間とAIのコラボレーションは、医療診断からコンテンツモデレーションに至るまで、業界全体の意思決定を促進する。 これらのコラボレーションが成功するか失敗するかを決定する心理的要因についてはほとんど分かっていません。 我々は,2,784人の参加者によるランダム化実験を行い,AIによる提案に対するタスクデザインと個人特性がどのように人間の反応を形作るかを検討した。
  論文  参考訳（メタデータ） (2025-09-10T11:43:29Z)
• How Performance Pressure Influences AI-Assisted Decision Making [52.997197698288936]
  我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。 我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
  論文  参考訳（メタデータ） (2024-10-21T22:39:52Z)
• To Err Is AI! Debugging as an Intervention to Facilitate Appropriate Reliance on AI Systems [11.690126756498223]
  最適な人間とAIのコラボレーションのためのビジョンは、人間のAIシステムへの「適切な依存」を必要とする。 実際には、アウト・オブ・ディストリビューションデータにおける機械学習モデルの性能格差は、データセット固有のパフォーマンスフィードバックを信頼できないものにしている。
  論文  参考訳（メタデータ） (2024-09-22T09:43:27Z)
• Human-Algorithm Collaboration: Achieving Complementarity and Avoiding Unfairness [92.26039686430204]
  慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。 まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。 次に、このモデルを用いて相補性が不可能な条件を証明する。
  論文  参考訳（メタデータ） (2022-02-17T18:44:41Z)
• Deciding Fast and Slow: The Role of Cognitive Biases in AI-assisted Decision-making [46.625616262738404]
  我々は、認知科学の分野からの知識を用いて、人間とAIの協調的な意思決定設定における認知バイアスを考慮します。 私たちは、人間とAIのコラボレーションでよく見られるバイアスであるバイアスのアンカーに特に焦点を当てています。
  論文  参考訳（メタデータ） (2020-10-15T22:25:41Z)
• Effect of Confidence and Explanation on Accuracy and Trust Calibration in AI-Assisted Decision Making [53.62514158534574]
  ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。 信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
  論文  参考訳（メタデータ） (2020-01-07T15:33:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。