Tree-Based Formalization of Multi-Agent Complementarity in Human-AI Interactions

Resumo Técnico: Formalização Baseada em Árvores da Complementaridade Multiagente em Interações Humano–IA

Declaração do Problema
A complementaridade na Interação Humano–IA (HAI) é definida como o fenômeno onde uma equipe humano–IA supera o melhor preditor isolado disponível entre seus membros. Embora central para a pesquisa em HAI, o trabalho formal sobre complementaridade tem sido limitado primariamente a configurações de dois agentes (um humano, uma IA). Os frameworks existentes falham em modelar como as previsões se compõem em protocolos de fluxo de trabalho sensíveis ao workflow. Cenários do mundo real frequentemente envolvem fluxos de trabalho complexos com múltiplos agentes (ex: especialistas, assistentes, ferramentas de IA) interagindo sequencialmente ou em paralelo. A literatura atual carece de uma teoria formal que descreva como a ordenação dos agentes, as regras de interação local e a topologia dessas interações afetam a atingibilidade da complementaridade.

Metodologia
O artigo introduz uma formalização baseada em árvores da complementaridade para HAI multiagente. Os componentes centrais deste framework são:

1. Representação do Protocolo: Um protocolo de HAI multiagente é modelado como uma configuração ordenada de papéis de agentes combinada com uma árvore binária plana enraizada. As folhas da árvore são decoradas pelos vetores de previsão dos agentes, representando a ordem em que os agentes entram no fluxo de trabalho.
2. Composição Local: A interação é governada por uma regra de composição binária local ($m_2$) avaliada recursivamente em cada nó interno da árvore. Esta regra combina dois vetores de previsão em um, propagando saídas intermediárias até que uma previsão final na raiz seja gerada.
3. Funcional de Complementaridade: Os autores definem um funcional de complementaridade relativo à árvore ($\Psi$). Diferente de benchmarks agregados anteriores que comparam a perda média da equipe com a perda média do melhor agente individual, este framework utiliza um benchmark de oráculo de mínimo pontual.
   • $\Psi = \Phi - \Theta$, onde $\Phi$ é a média das perdas do mínimo pontual em todos os agentes (a melhor previsão disponível para cada ponto de dado específico), e $\Theta$ é a perda média da saída final do protocolo.
   • Este benchmark é mais rigoroso: ele questiona se o protocolo melhora a melhor previsão disponível caso a caso, em vez de apenas na média.

Principais Contribuições e Resultados

O artigo prova quatro resultados teóricos primários sobre a atingibilidade da complementaridade sob esta formalização:

1. Impossibilidade de Complementaridade Baseada em Dependência (Reliance):
   Os autores provam que regras de seleção (onde a saída é estritamente um dos inputs, ex: autoconfiança ou confiança na IA) não podem alcançar a complementaridade em relação ao oráculo de mínimo pontual, independentemente da tarefa, função de perda ou qualidade da previsão. Se a saída da interação é meramente uma seleção da previsão de um agente existente, ela não pode superar estritamente a melhor previsão disponível em cada ponto. A complementaridade requer a geração de saídas que não sejam selecionadas do conjunto de previsões dos agentes.

2. Regressão sob Perda Quadrática:
   No contexto de regressão com perda quadrática, o funcional de complementaridade admite uma interpretação geométrica. Maximizar a complementaridade é equivalente a minimizar a distância euclidiana entre o vetor de saída do protocolo e o vetor da verdade fundamental (ground-truth).

   • Para $N=2$ (Humano e IA), os autores derivam um otimizador de forma fechada para pesos de pooling linear. A complementaridade é alcançada se, e somente se, a direção do desacordo humano–IA corrige o erro residual da IA em relação à verdade fundamental, e a correção é suficientemente grande para posicionar a combinação linear ótima dentro do segmento viável.
   • Para $N \ge 3$, o framework analisa como diferentes topologias de árvore afetam a complementaridade.

3. Invariância de Protocolo e Coberturas de Tamari:
   Sob pooling linear, cada árvore de protocolo define um mapa de coordenadas baricêntricas no simplex de pesos das folhas. Os autores demonstram que reparametrizações de cobertura de Tamari (rotações locais de árvore) preservam níveis de complementaridade quando os parâmetros locais são transportados adequadamente.

   • Especificamente, para $N=4$, as reparametrizações satisfazem a identidade do pentágono, indicando uma estrutura algébrica coerente subjacente ao espaço de árvores de protocolo. Isso sugere que distintas topologias de workflow podem alcançar níveis idênticos de complementaridade se seus parâmetros de agregação local forem ajustados para manter as mesmas coordenadas baricêntricas.

4. Impossibilidade em Classificação Binária:
   O artigo estabelece um forte resultado de impossibilidade para classificação binária sob perdas de monotonia de extremidade (que incluem divergências de Bregman padrão e $f$-divergências de Bernoulli finitas, como a entropia cruzada binária).

   • Nenhuma regra de composição local interna (onde a probabilidade de saída reside estritamente entre as probabilidades de entrada) pode alcançar a complementaridade em relação ao oráculo de mínimo pontual.
   • Esta obstrução estende-se a problemas multiclasse sob entropia cruzada. Os autores observam que escapar deste regime requer regras não-internas, como amplificação via pooling de logits.

Significância e Alegações
O artigo alega que seu framework altera fundamentalmente a investigação da complementaridade ao distinguir entre os regimes de regressão e classificação:

• Atingibilidade: A complementaridade é matematicamente atingível em regressão multiagente, desde que a interação gere novas previsões que corrijam resíduos de uma forma geometricamente favorável.
• Obstrução: Sob condições naturais de agregação local (regras internas) e funções de perda (monotonia de extremidade), a complementaridade é obstruída em cenários de classificação quando medida contra um oráculo de mínimo pontual.

Os autores argumentam que, se o oráculo de mínimo pontual é o benchmark apropriado para cenários de HAI de alto risco (onde erros ao nível do caso importam, como em diagnósticos médicos ou suporte judicial), as investigações empíricas de complementaridade devem ser revisadas. Os resultados sugerem que mecanismos simples de dependência ou a agregação interna padrão em tarefas de classificação podem ser teoricamente incapazes de alcançar a verdadeira complementaridade, necessitando de protocolos de interação mais complexos ou regras de agregação não convencionais. O framework fornece as ferramentas matemáticas necessárias para analisar esses protocolos, indo além dos modelos simplificados de dois agentes que dominam a literatura atual.