論文の概要: Reducing SNAP Payment Errors at Lower Cost With AI: A Simulation Study

• arxiv url: http://arxiv.org/abs/2611.03213v1
• Date: Mon, 02 Nov 2026 14:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:45:57.952196
• Title: Reducing SNAP Payment Errors at Lower Cost With AI: A Simulation Study
• Title（参考訳）: AIによるSNAP支払いエラーの低減:シミュレーションによる検討
• Abstract要約: 新しい連邦法では、補助栄養補助プログラムで高給付エラー率の州に対して、給付費用の分担を支払わなければならない。 支払い精度を改善するための1つの戦略は、事前認可レビューであり、従業員は、給付が発行される前に、アプリケーションを再チェックし、間違いを正す。 1つの主要なターゲティングアプローチは、統計的リスクモデルを使用して、エラーを含む可能性のあるケースを優先順位付けする。 別の新しいアプローチでは、レビュアーがチェックする可能性のある特定の不一致をAIがフラグ付けする。
• 参考スコア（独自算出の注目度）: 0.09444500584367876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: New federal legislation will require states with high payment error rates in the Supplemental Nutrition Assistance Program (SNAP) to pay a share of benefit costs, potentially costing some states over a billion dollars per year. These costs create substantial pressure to improve payment accuracy. One strategy to improve payment accuracy is preauthorization review, in which staff double-check applications and correct mistakes before benefits are issued. But limited staff capacity makes it important to target these reviews effectively. One leading targeting approach uses statistical risk models to prioritize cases likely to contain errors. Another novel approach uses AI to flag specific potential discrepancies for reviewers to check. For states under pressure to reduce error rates, it is unclear which approach-or combination of approaches-would reduce payment error rates most effectively. We compare these strategies through simulations using public SNAP quality control data. Under our main assumptions, risk-based review alone costs about seven times as much as combining AI flags with risk scores. This cost advantage persists across a wide range of plausible assumptions. Our findings suggest that AI-assisted preauthorization review could be a key tool to help states avoid substantial cost-sharing obligations.
• Abstract（参考訳）: 新しい連邦法では、SNAP(Supplemental Nutrition Assistance Program)で高い支払いエラー率を持つ州に対して、補助栄養補助プログラム(Supplemental Nutrition Assistance Program, SNAP)の給付コストの分担を義務付けている。 これらのコストは、支払い精度を向上させるためにかなりの圧力を発生させる。 支払い精度を改善するための1つの戦略は、事前認可レビューであり、従業員は、給付が発行される前に、アプリケーションを再チェックし、間違いを正す。 しかし、スタッフの能力が限られているため、これらのレビューを効果的にターゲットすることが重要である。 1つの主要なターゲティングアプローチは、統計的リスクモデルを使用して、エラーを含む可能性のあるケースを優先順位付けする。 別の新しいアプローチでは、レビュアーがチェックする可能性のある特定の不一致をAIがフラグ付けする。 エラー率を下げる圧力を受けている州では、どのアプローチと組み合わせで支払いエラー率を最も効果的に減らすかは不明だ。 SNAP品質管理データを用いたシミュレーションにより,これらの戦略を比較した。 主要な前提の下では、リスクベースのレビューだけでAIフラグとリスクスコアの組み合わせの約7倍のコストがかかる。 このコストのアドバンテージは、様々な妥当な仮定に持続する。 我々の発見は、AI支援による事前認可レビューが、州が実質的なコスト共有義務を回避できる重要なツールになり得ることを示唆している。

関連論文リスト

• One-Sided Verification Under Limited Expert Review [81.81806589083486]
  我々は、稀な有効な解決策を優先する必要がある、限定された人間の努力の下で検証を研究する。 我々は、エラー提案とエラー検証を分離するアルゴリズムフレームワークであるOSVerifyを紹介した。 実験によると、OSVerifyは、無効なソリューションの人間レビューの数を平均46%削減している。
  論文  参考訳（メタデータ） (2026-10-13T10:10:11Z)
• The Hidden Bias of Process Reward Models:PRISM for Rewarding the Right Reasoning [54.0056619145783]
  プロセス・リワード・モデル (Process Reward Models, PRM) は、段階的なフィードバックを提供することで、推論のためのクレジット割り当てを改善する。 ステップレベルのトレーニングデータにおいて,重度の不均衡に起因するPRMの隠れバイアスを同定する。 対照的な段階比較から学習するポリシ対応のPRMトレーニングフレームワークであるPRISMを提案する。
  論文  参考訳（メタデータ） (2026-06-08T06:22:33Z)
• Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
  我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
  論文  参考訳（メタデータ） (2026-05-22T08:26:08Z)
• Overcoming the Incentive Collapse Paradox [1.529342790344802]
  AIの精度が向上するにつれて、ポジティブな人間の努力を維持するには、無制限の支払いが必要である。 本稿では,人的努力の厳密な肯定的かつコントロール可能なレベルを強制するセンチネル監査方式を提案する。 実験では、標準的なアクティブラーニングや監査のみのベースラインと比較して、コストエラーのトレードオフが改善された。
  論文  参考訳（メタデータ） (2026-03-27T23:37:37Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• Position: The Hidden Costs and Measurement Gaps of Reinforcement Learning with Verifiable Rewards [110.47944672736723]
  我々は、RLVR税、評価落とし穴、データ汚染という3つの力によって利回りが過大評価されることが多いと論じている。 本稿では, 精度, グラウンド, キャリブレーションを両立させる税意識訓練・評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:06:25Z)
• Cost-Optimal Active AI Model Evaluation [71.2069549142394]
  生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。 我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。 我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
  論文  参考訳（メタデータ） (2025-06-09T17:14:41Z)
• Verifiably Robust Conformal Prediction [1.391198481393699]
  本稿では、ニューラルネットワーク検証手法を利用して、敵攻撃時のカバレッジ保証を回復する新しいフレームワークであるVRCP(Verifiably Robust Conformal Prediction)を紹介する。 私たちのメソッドは、回帰タスクだけでなく、$ell1$, $ell2$, $ellinfty$といった任意のノルムで束縛された摂動をサポートする最初の方法です。 いずれの場合も、VRCPは名目上の範囲を達成し、SotAよりもはるかに効率的で情報的な予測領域が得られる。
  論文  参考訳（メタデータ） (2024-05-29T09:50:43Z)
• Probabilistically Robust Recourse: Navigating the Trade-offs between Costs and Robustness in Algorithmic Recourse [34.39887495671287]
  本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。 我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。 複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-13T21:39:24Z)

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。