論文の概要: Forming Diverse Teams from Sequentially Arriving People

• arxiv url: http://arxiv.org/abs/2002.10697v1
• Date: Tue, 25 Feb 2020 07:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:01:09.223619
• Title: Forming Diverse Teams from Sequentially Arriving People
• Title（参考訳）: 順次到着する人々から多様なチームを編成する
• Authors: Faez Ahmed, John Dickerson, Mark Fuge
• Abstract要約: 共同作業は、チームや組織が異質なメンバを持つことの恩恵を受けます。 我々は、時間とともに連続して到着する人々から、このような多様なチームを形成する方法を提案する。 実際に、アルゴリズムがチームの多様性を大きく向上させることを示す。
• 参考スコア（独自算出の注目度）: 9.247294820004146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative work often benefits from having teams or organizations with heterogeneous members. In this paper, we present a method to form such diverse teams from people arriving sequentially over time. We define a monotone submodular objective function that combines the diversity and quality of a team and propose an algorithm to maximize the objective while satisfying multiple constraints. This allows us to balance both how diverse the team is and how well it can perform the task at hand. Using crowd experiments, we show that, in practice, the algorithm leads to large gains in team diversity. Using simulations, we show how to quantify the additional cost of forming diverse teams and how to address the problem of simultaneously maximizing diversity for several attributes (e.g., country of origin, gender). Our method has applications in collaborative work ranging from team formation, the assignment of workers to teams in crowdsourcing, and reviewer allocation to journal papers arriving sequentially. Our code is publicly accessible for further research.
• Abstract（参考訳）: コラボレーション作業は、チームや組織に異種メンバを持たせることによるメリットがしばしばある。 本稿では,時間とともに順次到着する人々から,このような多様なチームを形成する方法を提案する。 チームの多様性と品質を組み合わせた単調な目的関数を定義し、複数の制約を満たすことなく目的を最大化するアルゴリズムを提案する。 これにより、チームの多様性と、手元にあるタスクがどれだけうまく実行できるかのバランスが取れます。 群衆実験を用いて、実際にこのアルゴリズムがチームの多様性を大きく向上させることを示した。 シミュレーションを用いて、多様なチームを形成する追加コストを定量化する方法と、複数の属性(例えば、起源の国、性別)の多様性を同時に最大化する問題に対処する方法を示す。 本手法は, チーム形成, 作業員のクラウドソーシングにおけるチームへの割り当て, ジャーナルへのレビュアーの割り当てなど, 共同作業に応用する。 私たちのコードは、さらなる研究のために公開アクセス可能です。

関連論文リスト

• Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
  我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。 課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。 我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-08-20T13:57:00Z)
• Governing the Commons: Code Ownership and Code-Clones in Large-Scale Software Development [6.249768559720122]
  弱いオーナシップや集合的なオーナシップを採用するソフトウェア開発組織では,さまざまなチームがさまざまなコンポーネントの変更を自律的に実施することが期待される。 私たちの目標は、異なるチームが異なるコンポーネントを変更するときに、コードのクローンという形で技術的負債を導入する方法と理由を理解することです。
  論文  参考訳（メタデータ） (2024-05-24T18:23:51Z)
• Team Formation amidst Conflicts [4.197110761923661]
  本研究では、対立の中でチーム形成の問題を定式化する。 目的は、個人のタスク嗜好とそれらの間の対立を考慮して、与えられた能力を持つタスクに個人を割り当てることである。 依存するラウンドリングスキームを主要なツールボックスとして使用し、効率的な近似アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-02-29T20:15:13Z)
• Diversity-Based Recruitment in Crowdsensing By Combinatorial Multi-Armed Bandits [6.802315212233411]
  本稿では,モバイル端末とそのユーザを中心的要求者の協調の下で集団センシングタスクに活用するモバイル・クラウドセンシングについて検討する。 ここでの最大の課題は、最初は未知であり、徐々に学ばなければならない個々の労働者の知覚能力の変化である。 本稿では,各ラウンドにおけるタスクの重み付けを各ラウンドの割り当て頻度に基づいて動的に調整することにより,各ラウンドにおけるタスクの多様性を高める新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-25T13:54:58Z)
• Diversify Question Generation with Retrieval-Augmented Style Transfer [68.00794669873196]
  本稿では,検索型スタイル転送のためのフレームワーク RAST を提案する。 本研究の目的は,多様なテンプレートのスタイルを質問生成に活用することである。 多様性報酬と一貫性報酬の重み付けを最大化する新しい強化学習(RL)ベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2023-10-23T02:27:31Z)
• Informational Diversity and Affinity Bias in Team Growth Dynamics [6.729250803621849]
  情報多様性の利点は親和性バイアスと緊張関係にあることを示す。 本結果は,情報多様性を促進するためのユーティリティベースのモチベーションの基本的な制限を定式化した。
  論文  参考訳（メタデータ） (2023-01-28T05:02:40Z)
• Modular Adaptive Policy Selection for Multi-Task Imitation Learning through Task Division [60.232542918414985]
  マルチタスク学習は、しばしば負の伝達に悩まされ、タスク固有の情報を共有する。 これは、プロトポリケーションをモジュールとして使用して、タスクを共有可能な単純なサブ振る舞いに分割する。 また、タスクを共有サブ行動とタスク固有のサブ行動の両方に自律的に分割する能力を示す。
  論文  参考訳（メタデータ） (2022-03-28T15:53:17Z)
• On Steering Multi-Annotations per Sample for Multi-Task Learning [79.98259057711044]
  マルチタスク学習の研究はコミュニティから大きな注目を集めている。 目覚ましい進歩にもかかわらず、異なるタスクを同時に学習するという課題はまだ検討されていない。 従来の研究は、異なるタスクから勾配を修正しようとするが、これらの手法はタスク間の関係の主観的な仮定を与え、修正された勾配はより正確でないかもしれない。 本稿では,タスク割り当てアプローチによってこの問題に対処する機構であるタスク割当(STA)を紹介し,各サンプルをランダムにタスクのサブセットに割り当てる。 さらなる進展のために、我々は全てのタスクを反復的に割り当てるためにInterleaved Task Allocation(ISTA)を提案する。
  論文  参考訳（メタデータ） (2022-03-06T11:57:18Z)
• Crowdsourcing with Meta-Workers: A New Way to Save the Budget [50.04836252733443]
  我々は,AIに適したタスクの種類をメタラーニングで学習したマシンアノテータであるEmphmeta-workerの概念を紹介した。 一般の群衆労働者とは異なり、メタワーカーは信頼性があり、安定しており、さらに重要なことはタイヤレスで自由である。
  論文  参考訳（メタデータ） (2021-11-07T12:40:29Z)
• Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies in Extensive-Form Zero-Sum Games [123.76716667704625]
  我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。 この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。 各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-09-21T17:51:57Z)
• TAIP: an anytime algorithm for allocating student teams to internship programs [0.0]
  我々は、教育の文脈において、チームとタスクをマッチングする問題、特に学生のチームを編成し、インターンシッププログラムに割り当てるコンテキストに焦点をあてる。 まず、インターンシッププログラム問題のためのチーム割当の形式化を行い、それを最適に解くことの計算困難さを示す。 我々は、後に反復的なプロセスの改善を試みる初期チームのアロケーションを生成するアルゴリズムであるTAIPを提案する。
  論文  参考訳（メタデータ） (2020-05-19T09:50:38Z)

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。