BO-Muse: A human expert and AI teaming framework for accelerated experimental design

要約

【タイトル】
BO-Muse：加速された実験設計のための人間エキスパートとAIのチーミングフレームワーク

【要約】

– BO-Museは、高価なブラックボックス関数の最適化のための人間-AIチーミングの新しいアプローチである。
– 人間がエキスパート知識を抽出してAIモデルに蒸留することの困難さに着想を得て、また現実の実験設計における人間の行動観察から、人間エキスパートが実験プロセスのリードを取ることを許すアルゴリズムを提案する。
– 人間エキスパートは、ドメイン知識を最大限に活用できる一方で、AIは、認知的に埋め込まれた過剰開発に陥る人間の弱点を検索し、新奇性を注入する役割を果たす。
– 一定の仮定の下で、BO-MuseアルゴリズムがAIまたは人間単独よりも速いサブ線形収束を示すことを示す。
– 我々は、合成データを用いた検証と、実世界の実験を行う人間エキスパートによる検証を行った。

要約(オリジナル)

In this paper we introduce BO-Muse, a new approach to human-AI teaming for the optimization of expensive black-box functions. Inspired by the intrinsic difficulty of extracting expert knowledge and distilling it back into AI models and by observations of human behavior in real-world experimental design, our algorithm lets the human expert take the lead in the experimental process. The human expert can use their domain expertise to its full potential, while the AI plays the role of a muse, injecting novelty and searching for areas of weakness to break the human out of over-exploitation induced by cognitive entrenchment. With mild assumptions, we show that our algorithm converges sub-linearly, at a rate faster than the AI or human alone. We validate our algorithm using synthetic data and with human experts performing real-world experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI