論文の概要: TAIP: an anytime algorithm for allocating student teams to internship programs

• arxiv url: http://arxiv.org/abs/2005.09331v1
• Date: Tue, 19 May 2020 09:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:08:16.771894
• Title: TAIP: an anytime algorithm for allocating student teams to internship programs
• Title（参考訳）: taip: 学生チームをインターンシッププログラムに割り当てるanytimeアルゴリズム
• Authors: Athina Georgara, Carles Sierra, Juan A. Rodr\'iguez-Aguilar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In scenarios that require teamwork, we usually have at hand a variety of specific tasks, for which we need to form a team in order to carry out each one. Here we target the problem of matching teams with tasks within the context of education, and specifically in the context of forming teams of students and allocating them to internship programs. First we provide a formalization of the Team Allocation for Internship Programs Problem, and show the computational hardness of solving it optimally. Thereafter, we propose TAIP, a heuristic algorithm that generates an initial team allocation which later on attempts to improve in an iterative process. Moreover, we conduct a systematic evaluation to show that TAIP reaches optimality, and outperforms CPLEX in terms of time.
• Abstract（参考訳）: チームワークが必要なシナリオでは、通常、それぞれを実行するためにチームを形成する必要がある、さまざまな特定のタスクを手元に持っています。 ここでは、教育の文脈において、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文脈において、チームとタスクをマッチングする問題をターゲットにしている。 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。 その後,最初のチーム割り当てを生成するヒューリスティックアルゴリズムであるtaipを提案する。 さらに,TAIPが最適に到達し,時間的にCPLEXより優れていることを示すため,系統評価を行った。

関連論文リスト

• Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning [85.66907881270785]
  本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。 タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。 インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
  論文  参考訳（メタデータ） (2024-01-07T18:12:20Z)
• An Integrated Framework for Team Formation and Winner Prediction in the FIRST Robotics Competition: Model, Algorithm, and Analysis [0.0]
  本手法をFIRSTロボティクスコンペティションの起草プロセスに適用する。 まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。 チーム形成を最適化するためにアライアンス最適化アルゴリズムを開発し、優勝チームを予測するためにディープニューラルネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2024-01-06T23:11:50Z)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
  本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。 アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。 我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-30T12:32:43Z)
• Neural Payoff Machines: Predicting Fair and Stable Payoff Allocations Among Team Members [13.643650155415484]
  ニューラルネットワークをトレーニングすることで,協調的なゲーム理論解を学習モデルに蒸留する方法を示す。 我々の手法はトレーニング分布から遠く離れたゲームに一般化できるモデルを作成する。 私たちのフレームワークの重要な応用は、説明可能なAIです。
  論文  参考訳（メタデータ） (2022-08-18T12:33:09Z)
• JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem Understanding [74.12405417718054]
  本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。 他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。 基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
  論文  参考訳（メタデータ） (2022-06-13T17:03:52Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• 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)
• A Stochastic Team Formation Approach for Collaborative Mobile Crowdsourcing [1.4209473797379666]
  我々は,SN隣人に関する労働者の知識を活用するアルゴリズムを開発し,特定のリーダーに適切なチームを募集するよう依頼する。 提案アルゴリズムは最適な停止戦略から着想を得て,オッズアルゴリズムを用いて出力を算出する。 実験結果から, ベンチマーク指数最適解と比較して, 提案手法は時間を短縮し, 妥当な性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-04-28T22:44:37Z)
• Forming Diverse Teams from Sequentially Arriving People [9.247294820004146]
  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。
  論文  参考訳（メタデータ） (2020-02-25T07:00:07Z)

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。