論文の概要: PeerNomination: Relaxing Exactness for Increased Accuracy in Peer Selection

• arxiv url: http://arxiv.org/abs/2004.14939v1
• Date: Thu, 30 Apr 2020 16:39:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 05:37:13.414951
• Title: PeerNomination: Relaxing Exactness for Increased Accuracy in Peer Selection
• Title（参考訳）: PeerNomination: ピア選択における精度向上のための厳密性を緩和する
• Authors: Nicholas Mattei, Paolo Turrini, Stanislav Zhydkov
• Abstract要約: ピア選択エージェントは、賞または賞のサブセットを選択する必要がある。 エージェントは自己関心があるので、エージェントが選択される可能性に影響を与えないように、公平なアルゴリズムを設計したいと考えています。 本稿では,不特定ピア選択のための新しいアルゴリズムPeerNominationを提案し,その精度に関する理論的解析を行う。
• 参考スコア（独自算出の注目度）: 30.779586758074206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In peer selection agents must choose a subset of themselves for an award or a prize. As agents are self-interested, we want to design algorithms that are impartial, so that an individual agent cannot affect their own chance of being selected. This problem has broad application in resource allocation and mechanism design and has received substantial attention in the artificial intelligence literature. Here, we present a novel algorithm for impartial peer selection, PeerNomination, and provide a theoretical analysis of its accuracy. Our algorithm possesses various desirable features. In particular, it does not require an explicit partitioning of the agents, as previous algorithms in the literature. We show empirically that it achieves higher accuracy than the exiting algorithms over several metrics.
• Abstract（参考訳）: ピア選択エージェントは、賞または賞のサブセットを選択する必要がある。 エージェントが利害関係にあるため、個々のエージェントが選択される確率に影響を及ぼさないように、偏りのないアルゴリズムを設計したいのです。 この問題は資源配分と機構設計に広く応用されており、人工知能の文献でかなりの注目を集めている。 本稿では,不特定ピア選択のための新しいアルゴリズムPeerNominationを提案し,その精度に関する理論的解析を行う。 我々のアルゴリズムには様々な望ましい特徴がある。 特に、文献の以前のアルゴリズムのように、エージェントの明示的な分割を必要としない。 我々は,複数の指標を用いた出口アルゴリズムよりも精度が高いことを示す。

関連論文リスト

• Multi-Armed Bandits with Abstention [62.749500564313834]
  本稿では, 新たな戦略要素である禁忌を取り入れた, 正準多重武装バンディット問題の拡張を提案する。 この強化されたフレームワークでは、エージェントは各タイムステップでアームを選択することだけでなく、観察する前に即時報酬を受け付けないオプションも備えている。
  論文  参考訳（メタデータ） (2024-02-23T06:27:12Z)
• Scalable Decentralized Algorithms for Online Personalized Mean Estimation [12.002609934938224]
  本研究は,各エージェントが実数値分布からサンプルを収集し,その平均値を推定する,オーバーアーキシング問題の簡易版に焦点を当てた。 1つは信念の伝播からインスピレーションを得ており、もう1つはコンセンサスに基づくアプローチを採用している。
  論文  参考訳（メタデータ） (2024-02-20T08:30:46Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Stochastic Differentially Private and Fair Learning [7.971065005161566]
  我々は、収束することが保証されるフェアラーニングのための最初の微分プライベートアルゴリズムを提供する。 われわれのフレームワークは、人口格差や均等化オッズなど、さまざまな公平さを許容できるほど柔軟である。 本アルゴリズムは,複数の(非バイナリ)機密属性を持つ非バイナリ分類タスクに適用可能である。
  論文  参考訳（メタデータ） (2022-10-17T06:54:57Z)
• Multi-Agent Algorithmic Recourse [7.23389716633927]
  一つのエージェント環境の仮定が緩和された場合、アルゴリズム的リコースへの現在のアプローチは、ある倫理的に望ましい性質を保証するのに失敗することを示す。 我々は,マルチエージェント環境下でのアルゴリズム的リコースを実現するための,ゲーム理論にインスパイアされた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-01T22:54:47Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Selection-Expansion: A Unifying Framework for Motion-Planning and Diversity Search Algorithms [69.87173070473717]
  本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。 mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2021-04-10T13:52:27Z)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)
• Generalization in portfolio-based algorithm selection [97.74604695303285]
  ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。 ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
  論文  参考訳（メタデータ） (2020-12-24T16:33:17Z)
• Learning and Strongly Truthful Multi-Task Peer Prediction: A Variational Approach [8.932080210400535]
  我々は、レポートのペアをスコアにマッピングするスコア関数を持つメカニズムのファミリーを設計する。 異なる種類の先行作業に必要なタスク数に対して、適切な境界を導出する方法を示す。 これはマルチタスク設定用に設計された連続信号に対する最初のピア予測機構である。
  論文  参考訳（メタデータ） (2020-09-30T15:09:56Z)
• No-Regret and Incentive-Compatible Online Learning [29.267666165169324]
  本研究では,学習アルゴリズムの予測に対する影響を最大化するために,専門家が戦略的に行動するオンライン学習環境について検討する。 私たちは、学習アルゴリズムを、後見の最高の固定専門家に対して、不適切なものにしたいと考えています。 完全な情報設定と部分的な情報設定の両方について、専門家にとって後悔とインセンティブの相性のないアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-02-20T16:21:34Z)

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。