論文の概要: Sorting Big Data by Revealed Preference with Application to College
Ranking
- arxiv url: http://arxiv.org/abs/2003.12198v1
- Date: Fri, 27 Mar 2020 01:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:44:37.042735
- Title: Sorting Big Data by Revealed Preference with Application to College
Ranking
- Title(参考訳): 明らかにされた選好によるビッグデータのソートと大学ランキングへの応用
- Authors: Xingwei Hu
- Abstract要約: ビッグデータの観察をランク付けすると、多様な消費者が異質な好みを明らかにします。
適切にソートされたソリューションは、消費者が正しい選択をするのに役立ち、政府は賢明な政策決定を行う。
この手法はスポーツチームランキング、学術誌ランキング、投票、実効性のある為替レートなど、他の多くの分野にも適用できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When ranking big data observations such as colleges in the United States,
diverse consumers reveal heterogeneous preferences. The objective of this paper
is to sort out a linear ordering for these observations and to recommend
strategies to improve their relative positions in the ranking. A properly
sorted solution could help consumers make the right choices, and governments
make wise policy decisions. Previous researchers have applied exogenous
weighting or multivariate regression approaches to sort big data objects,
ignoring their variety and variability. By recognizing the diversity and
heterogeneity among both the observations and the consumers, we instead apply
endogenous weighting to these contradictory revealed preferences. The outcome
is a consistent steady-state solution to the counterbalance equilibrium within
these contradictions. The solution takes into consideration the spillover
effects of multiple-step interactions among the observations. When information
from data is efficiently revealed in preferences, the revealed preferences
greatly reduce the volume of the required data in the sorting process. The
employed approach can be applied in many other areas, such as sports team
ranking, academic journal ranking, voting, and real effective exchange rates.
- Abstract(参考訳): アメリカ合衆国の大学のようなビッグデータ観測のランキングでは、多様な消費者が異質な好みを示す。
本研究の目的は,これらの観測の線形順序を整理し,それらの相対的位置を改善するための戦略を推奨することである。
適切にソートされたソリューションは、消費者が正しい選択をするのに役立ち、政府は賢明な政策決定を行う。
これまでの研究者は、ビッグデータオブジェクトのソートに外因的重み付けや多変量回帰アプローチを適用してきた。
観察者および消費者の多様性と不均一性を認識させることにより,これらの矛盾した嗜好に内因性重み付けを適用する。
結果は、これらの矛盾の中での対均衡平衡に対する一貫した定常解である。
この解は、観測間の多段階相互作用の流出効果を考慮に入れている。
選好においてデータからの情報を効率的に露呈すると、その選好によって選別処理に必要なデータの量が大幅に減少する。
この手法はスポーツチームランキング、学術誌ランキング、投票、実効性のある為替レートなど、他の多くの分野にも適用できる。
関連論文リスト
- Metrics for popularity bias in dynamic recommender systems [0.0]
バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。
本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。
RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
論文 参考訳(メタデータ) (2023-10-12T16:15:30Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - Don't Throw it Away! The Utility of Unlabeled Data in Fair Decision
Making [14.905698014932488]
そこで本研究では,実用的公正意思決定のための変分オートエンコーダに基づく新しい手法を提案する。
本手法はラベル付きデータとラベルなしデータの両方を活用する非バイアスデータ表現を学習する。
提案手法は,低分散の基底構造に従って最適(フェア)ポリシーに収束する。
論文 参考訳(メタデータ) (2022-05-10T10:33:11Z) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳(メタデータ) (2021-11-25T06:04:59Z) - Multi-characteristic Subject Selection from Biased Datasets [79.82881947891589]
本稿では,異なる集団群に対する最良サンプリング分数を求める制約付き最適化に基づく手法を提案する。
その結果,提案手法がすべての問題変化のベースラインを最大90%上回っていることが示された。
論文 参考訳(メタデータ) (2020-12-18T15:55:27Z) - Taking the Counterfactual Online: Efficient and Unbiased Online
Evaluation for Ranking [74.46448041224247]
データロギングのポリシーを最適化する新しいロギング・ポリシ最適化アルゴリズム(LogOpt)を導入する。
LogOptは、ログポリシーに無関係な反ファクト的なアプローチをオンラインアプローチに変換し、アルゴリズムが表示すべきランキングを決定する。
オンライン評価手法として、LogOptは既存のインターリービング方法とは異なり、位置と項目選択バイアスに偏りがないことが証明されている。
論文 参考訳(メタデータ) (2020-07-24T18:05:58Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z) - Directional Multivariate Ranking [39.81227580524465]
本稿では,多面的な項目の総合的なランク付けを可能にする指向性多面的ランク付け基準を提案する。
我々の重要な洞察は、2つの多アスペクト選好ベクトル間の差ベクトルの方向が、比較のペアの順序を明らかにすることである。
論文 参考訳(メタデータ) (2020-06-09T22:43:03Z) - Contrastive Examples for Addressing the Tyranny of the Majority [83.93825214500131]
我々は,グループメンバーシップを介在する,オリジナルのデータセットと新たなデータポイントからなるバランスの取れたトレーニングデータセットを作成することを提案する。
コントラッシブ・サンプル(英語版)と呼ばれるこれらのデータポイントを学習するための強力なツールとして、現在の生成的敵ネットワークが重要であることを示す。
論文 参考訳(メタデータ) (2020-04-14T14:06:44Z) - Handling Position Bias for Unbiased Learning to Rank in Hotels Search [0.951828574518325]
本稿では,Tripadvisor Hotelsサーチにおけるオンラインテスト環境における位置バイアスを適切に扱うことの重要性について検討する。
本稿では,ユーザの行動データを完全に活用する位置バイアスを経験的に効果的に処理する方法を提案する。
オンラインA/Bテストの結果,この手法が検索ランキングモデルの改善につながることが示された。
論文 参考訳(メタデータ) (2020-02-28T03:48:42Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳(メタデータ) (2020-02-23T06:40:48Z)
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。