PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20628v1cs.AI

상관된 특징 조건에서 AI 보조를 통한 인간 의사결정

Human Decision-Making with AI Assistance under Correlated Features

인간은 점점 더 AI 보조를 받아 의사결정을 내리고 있다. 예를 들어 의사들은 AI가 추천한 진단 검사를 따르고 그 결과를 바탕으로 진단을 내릴 수 있다. 서로 다른 특징(예: 검사 결과)이 상관되어 있을 때 단기적 의사결정 품질과 장기적 인간 학습을 균형 있게 하기 위해 AI가 어떤 검사를 추천해야 하는지가 자연스러운 질문이다. 선행 연구는 특징이 독립적일 때 동일한 검사를 반복적으로 추천하는 정상 정책이 최적임을 보였지만, 우리는 특징 상관이 이러한 정책의 성능을 임의로 나쁘게 만든다는 것을 증명한다. 대신, 우리는 모든 최적 정책이 탐험-후-확정(explore-then-commit) 구조를 따라야 함을 증명한다. 초기에는 AI가 다양한 검사를 제공하여 인간이 정확한 특징 계수를 학습할 수 있게 해야 하며, 그다음 AI는 단일 검사 세트에 확정(commit)해야 하고, 탐험 길이는 특징 상관 정도에 따라 달라진다. 우리는 최적 정책 계산이 NP-hard임을 증명하고, 유한 시계에 대해 최적 정책을 찾는 동적 프로그래밍 기반 알고리즘을 도출한다. 또한 더 짧은 시계에 대해 계획하고 정상 접미를 덧붙이는 근사법을 개발하여 준최적 성능을 달성한다. 실험 결과는 더 강한 특징 상관이 더 긴 탐험 단계로 이어진다는 것을 보여줌으로써 이론을 보완한다.