ワークロード制約を持つ複数の専門家への委譲を考慮したコスト感度学習

委譲学習（L2D）は、ML分類器よりも人間が正しい可能性が高いときに決定を人間に委譲する方法を学ぶことで、人間-AIコラボレーションシステムの改善を目指しています。既存のL2D研究は、実世界のシステムの実用的採用を妨げる重要な側面、すなわち：i) タイプ1エラーとタイプ2エラーによって異なるコストを持つコスト感度シナリオを無視すること、ii) トレーニングデータセットの各インスタンスに対して同時に人間の予測を要求すること、iii) 人間の作業能力制約に対処しないことを見逃しています。これらの課題に対処するために、コストおよび能力制約の下での委譲フレームワーク（DeCCaF）を提案します。DeCCaFは、新しいL2Dアプローチであり、制約の少ないデータ要件（各インスタンスにつき1人の専門家の予測のみ）の下での人間のエラー確率をモデル化するために教師あり学習を使用し、ワークロード制限に従ってエラーコストを全体的に最小化するために制約プログラミングを利用します。DeCCaFを9人の合成詐欺アナリストの異なるチームを用いた一連のコスト感度詐欺検出シナリオでテストし、それぞれ作業能力制約を持たせます。結果は、我々のアプローチがさまざまなシナリオでベースラインよりも有意に優れた成果を上げており、誤分類コストを平均8.4%削減したことを示しています。