論文の概要: Objective Social Choice: Using Auxiliary Information to Improve Voting Outcomes

• arxiv url: http://arxiv.org/abs/2001.10092v1
• Date: Mon, 27 Jan 2020 21:21:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 08:40:22.160032
• Title: Objective Social Choice: Using Auxiliary Information to Improve Voting Outcomes
• Title（参考訳）: 客観的社会選択:補助情報を用いた投票結果の改善
• Authors: Silviu Pitis and Michael R. Zhang
• Abstract要約: 多様な情報源からノイズのある情報を組み合わせて、客観的根拠の真理を推測するにはどうすればよいのか? マルチアームバンディット雑音モデルとカウントベース補助情報セットを提案する。 我々のルールは、補助情報を利用して、素質のベースラインを上回りました。
• 参考スコア（独自算出の注目度）: 16.764511357821043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How should one combine noisy information from diverse sources to make an inference about an objective ground truth? This frequently recurring, normative question lies at the core of statistics, machine learning, policy-making, and everyday life. It has been called "combining forecasts", "meta-analysis", "ensembling", and the "MLE approach to voting", among other names. Past studies typically assume that noisy votes are identically and independently distributed (i.i.d.), but this assumption is often unrealistic. Instead, we assume that votes are independent but not necessarily identically distributed and that our ensembling algorithm has access to certain auxiliary information related to the underlying model governing the noise in each vote. In our present work, we: (1) define our problem and argue that it reflects common and socially relevant real world scenarios, (2) propose a multi-arm bandit noise model and count-based auxiliary information set, (3) derive maximum likelihood aggregation rules for ranked and cardinal votes under our noise model, (4) propose, alternatively, to learn an aggregation rule using an order-invariant neural network, and (5) empirically compare our rules to common voting rules and naive experience-weighted modifications. We find that our rules successfully use auxiliary information to outperform the naive baselines.
• Abstract（参考訳）: 多様な情報源からノイズのある情報を組み合わせて、客観的根拠の真理を推測するにはどうすればよいのか? この頻繁に繰り返される規範的な疑問は、統計学、機械学習、政策決定、日常生活の核心にある。 これは、"combining forecasts"、"meta- analysis"、"ensembling"、"mle approach to voting"などとも呼ばれる。 過去の研究では、騒がしい投票は同一で独立に分散していると仮定されるが、この仮定はしばしば非現実的である。 その代わり、投票は独立だが必ずしも同じ分布ではなく、我々の感性アルゴリズムは各投票のノイズを管理する基礎となるモデルに関連する補助情報にアクセスすることができると仮定する。 In our present work, we: (1) define our problem and argue that it reflects common and socially relevant real world scenarios, (2) propose a multi-arm bandit noise model and count-based auxiliary information set, (3) derive maximum likelihood aggregation rules for ranked and cardinal votes under our noise model, (4) propose, alternatively, to learn an aggregation rule using an order-invariant neural network, and (5) empirically compare our rules to common voting rules and naive experience-weighted modifications. 我々のルールは、補助情報を利用して、素質のベースラインを上回りました。

関連論文リスト

• NoVo: Norm Voting off Hallucinations with Attention Heads in Large Language Models [70.02816541347251]
  本稿では,注意基準の未適用ポテンシャルを利用して,事実の精度を高める軽量なノム投票法(Nom Voting, NoVo)を提案する。 TruthfulQA MC1では、NoVoは現在の最先端および過去のすべてのメソッドを、驚くべきマージン -- 少なくとも19の精度ポイントで上回る。
  論文  参考訳（メタデータ） (2024-10-11T16:40:03Z)
• DeepVoting: Learning Voting Rules with Tailored Embeddings [13.037431161285971]
  我々は、よい投票規則を設計する問題は、投票規則の確率的なバージョンを学ぶことの1つに再キャストする。 社会的選択文献からの選好プロファイルの埋め込みにより,既存の投票ルールをより効率的に学習できることを示す。 また、埋め込みを用いて学習したルールを微調整して、公理特性を改善した新しい投票ルールを作成することも示している。
  論文  参考訳（メタデータ） (2024-08-24T17:15:20Z)
• Data as voters: instance selection using approval-based multi-winner voting [1.597617022056624]
  機械学習(あるいはデータマイニング)におけるインスタンス選択問題に対する新しいアプローチを提案する。 私たちのモデルでは、インスタンスは有権者と候補者として二重の役割を担います。 SVM では,EJR や PJR を満たすいくつかの投票規則を用いて,平均精度をわずかに向上させた。
  論文  参考訳（メタデータ） (2023-04-19T22:00:23Z)
• Canary in a Coalmine: Better Membership Inference with Ensembled Adversarial Queries [53.222218035435006]
  私たちは、差別的で多様なクエリを最適化するために、逆ツールを使用します。 我々の改善は既存の方法よりもはるかに正確な会員推定を実現している。
  論文  参考訳（メタデータ） (2022-10-19T17:46:50Z)
• Distant finetuning with discourse relations for stance classification [55.131676584455306]
  そこで本研究では,定位分類のモデルとして,原文から銀ラベルでデータを抽出し,微調整する手法を提案する。 また,様々な段階において微調整に用いるデータのノイズレベルが減少する3段階のトレーニングフレームワークを提案する。 NLPCC 2021共有タスクArgumentative Text Understanding for AI Debaterでは,26の競合チームの中で1位にランクインした。
  論文  参考訳（メタデータ） (2022-04-27T04:24:35Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Truth-tracking via Approval Voting: Size Matters [3.113227275600838]
  我々は、投票が承認投票からなる単純な設定を考える。 各投票者は、基本的真実である可能性があると信じている選択肢のセットを承認する。 我々は、Mallowsモデルの投票変種を承認するいくつかのノイズモデルを定義する。
  論文  参考訳（メタデータ） (2021-12-07T12:29:49Z)
• Obvious Manipulability of Voting Rules [105.35249497503527]
  Gibbard-Satterthwaite の定理は、全会一致で非独裁的な投票規則は、戦略的なものではないと述べる。 我々は投票規則を再検討し、明らかでない操作性という戦略的安全性の弱い概念を考察する。
  論文  参考訳（メタデータ） (2021-11-03T02:41:48Z)
• Learning to Elect [7.893831644671976]
  投票システムには、推薦システム、ウェブ検索、製品デザイン、選挙など幅広いアプリケーションがある。 本研究では,セットトランスフォーマーや完全連結グラフネットワーク,DeepSetsといったセットインプットニューラルネットワークアーキテクチャが,理論的にも経験的にも投票ルールの学習に適していることを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:55:46Z)
• Learning with Group Noise [106.56780716961732]
  グループノイズを用いた学習のための新しいマックスマッチング手法を提案する。 いくつかの学習パラダイムの領域における実世界のデータセットのレンジのパフォーマンスは、Max-Matchingの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-17T06:57:10Z)
• Evaluating approval-based multiwinner voting in terms of robustness to noise [10.135719343010177]
  承認ベースのマルチウィンナー投票は常に妥当な雑音に対して堅牢であることを示す。 ノイズに対する頑丈さの観点から、ルールの階層構造を提示することで、この発見をさらに洗練します。
  論文  参考訳（メタデータ） (2020-02-05T13:17:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。