Fugu-MT 論文翻訳(概要): A Machine Learning Approach for Flagging Incomplete Bid-rigging Cartels

論文の概要: A Machine Learning Approach for Flagging Incomplete Bid-rigging Cartels

arxiv url: http://arxiv.org/abs/2004.05629v1
Date: Sun, 12 Apr 2020 15:04:35 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 05:13:02.420508
Title: A Machine Learning Approach for Flagging Incomplete Bid-rigging Cartels
Title（参考訳）: 不完全な入札カルテルのフラグ付けのための機械学習アプローチ
Authors: Hannes Wallimann and David Imhof and Martin Huber
Abstract要約: 提案手法は,不完全な入札リギングカルテルを検出するのに特に有用である。我々のアプローチは、スクリーン、すなわち、入札者の入札の分布から導かれる統計と、共謀の確率を予測する機械学習を組み合わせる。
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: We propose a new method for flagging bid rigging, which is particularly useful for detecting incomplete bid-rigging cartels. Our approach combines screens, i.e. statistics derived from the distribution of bids in a tender, with machine learning to predict the probability of collusion. As a methodological innovation, we calculate such screens for all possible subgroups of three or four bids within a tender and use summary statistics like the mean, median, maximum, and minimum of each screen as predictors in the machine learning algorithm. This approach tackles the issue that competitive bids in incomplete cartels distort the statistical signals produced by bid rigging. We demonstrate that our algorithm outperforms previously suggested methods in applications to incomplete cartels based on empirical data from Switzerland.
Abstract（参考訳）: 提案手法は,不完全な入札リギングカルテルを検出するのに特に有用である。我々の手法は、スクリーン、すなわち、入札者の入札の分布から得られた統計と、衝突の確率を予測する機械学習を組み合わせる。方法論上の革新として,各画面の平均,中央値,最大値,最小値などの要約統計を機械学習アルゴリズムの予測器として用いる。このアプローチは、不完全カルテルにおける競争入札が入札リギングによって生じる統計信号を歪めるという問題に対処する。本アルゴリズムは,スイスの経験的データに基づく不完全カルテルに適用するための提案手法よりも優れていることを示す。

関連論文リスト

Online Combinatorial Allocations and Auctions with Few Samples [9.675397292814122]
本稿では,O(1)競合アルゴリズムの実現可能性について,基礎となる入札者分布から限られた数のサンプルにしかアクセスできないという現実的な制約の下で検討する。最初の主な貢献は, サブモジュール/XOS評価のためのO(1)競合アルゴリズムを得るのに, 各入札者分布からのサンプルだけで十分であることを示している。
論文参考訳（メタデータ） (2024-09-17T11:43:55Z)
Sampling Individually-Fair Rankings that are Always Group Fair [9.333939443470944]
公正ランキングタスクは、グループフェアネスの制約を満たすために、実用性を最大化するために一連のアイテムをランク付けするよう要求する。近年の研究では、品物の効用の不確かさが不公平の原因となっている。我々は,各アウトプットランキングがグループフェアであることを保証しながら,個別のフェア分布からランキングを抽出する効率的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-21T01:26:34Z)
Fairness-aware Multi-view Clustering [41.479310583848246]
フェアネスを考慮したマルチビュークラスタリング手法FairMVCを提案する。グループフェアネス制約を各クラスタのソフトメンバシップ割り当てに組み込んで、各クラスタ内の異なるグループの分断がデータセット全体とほぼ同じであることを保証します。また,不均一なデータを扱う新たな正規化器を提案する。
論文参考訳（メタデータ） (2023-02-11T21:36:42Z)
Robust multi-item auction design using statistical learning: Overcoming uncertainty in bidders' types distributions [6.5920927560926295]
提案手法は,非パラメトリック密度推定を用いて,過去の入札から入札者のタイプを正確に推定する。本機構の効率をさらに高めるために,クエリ削減のための2つの新しい戦略を導入する。小規模データと大規模データの両方で実施されたシミュレーション実験により、当社のメカニズムは、収益設計やクエリ削減の観点から、既存の手法よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2023-02-02T08:32:55Z)
Open-Set Likelihood Maximization for Few-Shot Learning [36.97433312193586]
我々はFew-Shot Open-Set Recognition (FSOSR) 問題、すなわちいくつかのラベル付きサンプルしか持たないクラスのインスタンスを分類する問題に取り組む。提案手法では,推論時に非競合なクエリインスタンスを利用する。既存のトランスダクティブ手法はオープンセットのシナリオではうまく動作しないという観測により,最大極大原理の一般化を提案する。
論文参考訳（メタデータ） (2023-01-20T01:56:19Z)
A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文参考訳（メタデータ） (2022-09-22T09:04:10Z)
A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
論文参考訳（メタデータ） (2022-06-24T20:23:33Z)
Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
論文参考訳（メタデータ） (2022-03-24T03:49:04Z)
Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文参考訳（メタデータ） (2022-02-28T18:09:44Z)
Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention [56.46649994444616]
マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
論文参考訳（メタデータ） (2022-02-12T00:32:22Z)
Multi-label Contrastive Predictive Coding [125.03510235962095]
差分相互情報(MI)推定器は、コントラスト予測符号化(CPC)のような教師なし表現学習法で広く利用されている。本稿では,複数の正のサンプルを同時に同定する必要がある多ラベル分類問題に基づく新しい推定器を提案する。同一量の負のサンプルを用いて複数ラベルのCPCが$log m$boundを超えることができる一方で、相互情報の有意な下限であることを示す。
論文参考訳（メタデータ） (2020-07-20T02:46:21Z)

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。