[論文レビュー] Explaining Preference-driven Schedules: the EXPRES Framework

Alberto Pozanco, Francesca Mosca+3 more|arXiv (Cornell University)|Mar 16, 2022

Scheduling and Timetabling Solutions被引用数 4

ひとこと要約

本論文では、個々の希望が最適で希望主導のスケジューリングで満たされない理由を特定するためのフレームワークであるEXPRESを紹介する。このフレームワークは、混合整数線形計画法（MILP）を用いて関連性の高い理由を同定し、それらを人間が理解できる形に翻訳する。シミュレーションおよびユーザースタディを通じて、J.P. Morganの従業員が人間による説明よりも自動生成された説明を好むことが示された。

ABSTRACT

Scheduling is the task of assigning a set of scarce resources distributed over time to a set of agents, who typically have preferences about the assignments they would like to get. Due to the constrained nature of these problems, satisfying all agents' preferences is often infeasible, which might lead to some agents not being happy with the resulting schedule. Providing explanations has been shown to increase satisfaction and trust in solutions produced by AI tools. However, it is particularly challenging to explain solutions that are influenced by and impact on multiple agents. In this paper we introduce the EXPRES framework, which can explain why a given preference was unsatisfied in a given optimal schedule. The EXPRES framework consists of: (i) an explanation generator that, based on a Mixed-Integer Linear Programming model, finds the best set of reasons that can explain an unsatisfied preference; and (ii) an explanation parser, which translates the generated explanations into human interpretable ones. Through simulations, we show that the explanation generator can efficiently scale to large instances. Finally, through a set of user studies within J.P. Morgan, we show that employees preferred the explanations generated by EXPRES over human-generated ones when considering workforce scheduling scenarios.

研究の動機と目的

• 制約のある環境において、最適なマルチエージェントスケジューリングソリューションで特定の希望が満たされない理由を説明する課題に対処すること。
• 個々の理解を支援しながらエージェントのプライバシーを保つことができるスケーラブルで自動化された説明システムを開発すること。
• 現実世界のスケジューリング文脈において、機械による説明が人間による説明よりも効果的であるかどうかを評価すること。
• 説明生成タスクを、満たされない希望の背後にある最小限の要因を同定する最適化問題として形式化すること。

提案手法

• 満たされない希望を正当化する最小限の制約と満たされた希望の集合を特定するため、説明生成タスクを混合整数線形計画法（MILP）問題としてモデル化する。
• 「関与している」と「影響を受ける」エージェントおよび希望を定義し、満たされない希望に影響を与える要因を同定する。
• 二段階のプロセスを採用する：第一段階ではMILPを用いて低レベルの説明を生成し、第二段階ではそれらを自然言語の説明に解析・グループ化してエンドユーザー向けに提供する。
• 他のエージェントの希望や割り当てに関する情報について、必要な情報のみを明らかにするようにすることでプライバシーを保護する。
• J.P. Morganの実世界の労働力スケジューリングシステムにこのフレームワークを統合し、使いやすさと好みを評価する。
• 希望タイプの全順序が存在する任意のスケジューリング問題にこのフレームワークを適用可能にすることで、分野を越えた一般化を実現する。

実験結果

リサーチクエスチョン

• RQ1 自動化されたシステムは、マルチエージェントスケジューリングにおける満たされない希望について、正確かつ解釈可能な説明を生成できるか？
• RQ2 説明生成コンponentのスケーラビリティは、大規模スケジューリングインスタンスにおいてどのように動作するか？
• RQ3 現実世界のスケジューリングシナリオにおいて、ユーザーは機械による説明を人間による説明よりも好むか？
• RQ4 説明は、最適スケジュールに対するユーザーの理解と信頼をどの程度向上させるか？
• RQ5 プライバシーを保ちながら、個々の希望や認知スタイルに合わせて説明をカスタマイズすることは可能か？

主な発見

• EXPRESフレームワークはMILPを用いて満たされない希望の説明を効果的に生成し、大規模スケジューリングインスタンスへのスケーリングも効率的に行えることを確認した。
• J.P. Morganでのユーザースタディでは、従業員が自動生成されたEXPRESの説明を人間が書いたものよりも、明確さと公平性の観点で好んだ。
• 説明ジェネレータは、特定の希望が満たされない原因となった最も関連性の高い制約と満たされた希望を同定し、実行可能なインサイトを提供した。
• 他のエージェントの希望や割り当てに関する情報の露出を制限することで、フレームワークはプライバシーを保護する。
• 説明パーサーは、低レベルのMILP出力を自然言語の説明に成功して翻訳し、エンドユーザーにとって正確かつ理解可能な説明を提供した。
• 希望タイプの全順序が存在する異なるスケジューリング問題に本アプローチを適用可能であり、初期のユースケースを超えた広範な適用可能性を示した。