日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

選好学習arXiv:2607.15483

確率的結果に対するリスク認識型選好学習

Risk-Aware Preference Learning for Stochastic Outcomes

シェア:XThreadsFacebookLINEはてブBluesky

人間のリスク感受性を考慮した選好学習フレームワークを提案し、累積プロスペクト理論を用いることで、リスク回避的なユーザーの選好から報酬関数をより正確に学習できることを示した。

詳しい要約

1. どんなもの?

- 本論文は、人間の選好から報酬関数を学習する際に、人間のリスク感度を考慮する重要性を研究する。 - 特に、社会的ロボットナビゲーションにおける安全クリティカルな結果(衝突など)に焦点を当てる。 - 既存の期待効用(EU)仮定ではなく、累積プロスペクト理論(CPT)を用いた選好学習を提案する。

2. 先行研究と比べてどこがすごい?

- 先行研究の多くは、人間が不確実な結果を期待効用(EU)で評価すると仮定している。 - しかし、行動証拠は人間がリスク感受性を持ち、稀なネガティブ事象を過大評価し、損失回避を示すことを示している。 - 本研究は、この不一致が社会的ロボットナビゲーションに与える影響を初めて体系的に検討する。

3. 技術・手法の肝は?

- Bradley-Terry選好学習フレームワーク内で、EUとCPTを比較する。 - CPTは人間の意思決定の非線形モデルであり、確率の重み付けと損失回避を組み込む。 - リスク感受性のあるユーザーが生成した選好から、CPTベースの学習器がEUベースより低い後悔で報酬関数を回復することを示す。

4. どうやって有効だと検証した?

- 予備実験において、リスク感受性ユーザーが生成した選好データを用いて評価。 - CPTベースの学習器がEUベースの学習器よりも実質的に低い後悔を達成することを確認。 - 社会的ロボットナビゲーションのシナリオで有効性を検証。

5. 議論はある?

- 確率的なロボット結果に対する選好から報酬を学習する際、人間のリスク感受性をモデル化することの重要性を強調。 - 安全クリティカルな稀な事象(衝突など)の扱いにおけるEU仮定の限界を指摘。 - 今後の課題や限界については要旨からは不明。

6. 次に読むべき論文は?

- Cumulative Prospect Theory (CPT) の原論文(Kahneman & Tversky, 1979; Tversky & Kahneman, 1992) - Bradley-Terry モデルに関する研究(Bradley & Terry, 1952) - 社会的ロボットナビゲーションにおける選好学習の先行研究(例: Sadigh et al., 2017)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yi-Shiuan Tung, Yuni Wu, Wei Jiang, Alessandro Roncone, Bradley Hayes

分類: cs.RO

原文アブストラクト

Learning reward functions from human preferences is a widely used approach for aligning robot behavior with user expectations in human-robot interaction. Most existing approaches assume that humans evaluate uncertain outcomes using expected utility (EU), aggregating outcome utilities linearly with their probabilities. However, behavioral evidence shows that humans are systematically risk-sensitive, overweighting rare negative events and exhibiting loss aversion. We study the consequences of this mismatch in social robot navigation, where safety-critical outcomes (e.g., collisions) are rare but highly consequential. We compare EU with Cumulative Prospect Theory (CPT), a nonlinear model of human decision-making, within a Bradley-Terry preference learning framework. Our preliminary experiments show that when preferences are generated by risk-sensitive users, CPT-based learners recover reward functions with substantially lower regret compared to EU-based learners. Our results highlight the importance of modeling human risk sensitivity when learning rewards from preferences over stochastic robot outcomes.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI