論文の概要: Hypergraph Clustering for Finding Diverse and Experienced Groups
- arxiv url: http://arxiv.org/abs/2006.05645v3
- Date: Wed, 28 Oct 2020 02:37:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 05:34:36.510724
- Title: Hypergraph Clustering for Finding Diverse and Experienced Groups
- Title（参考訳）: ハイパーグラフクラスタリングによる多元群と経験群の探索
- Authors: Ilya Amburg, Nate Veldt, Austin R. Benson
- Abstract要約: 複数のエッジ型を持つハイパーグラフのクラスタリングとして,多種多様な経験を持つグループを見つけるという課題を考察する。
公平なクラスタリングやバランスの取れたクラスタリングに関する問題とは対照的に、過去のさまざまな経験から多様性をモデル化する。
オンラインレビュープラットフォームにおけるこのフレームワークの適用例を示す。
- 参考スコア（独自算出の注目度）: 32.80813008862995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When forming a team or group of individuals, we often seek a balance of
expertise in a particular task while at the same time maintaining diversity of
skills within each group. Here, we view the problem of finding diverse and
experienced groups as clustering in hypergraphs with multiple edge types. The
input data is a hypergraph with multiple hyperedge types -- representing
information about past experiences of groups of individuals -- and the output
is groups of nodes. In contrast to related problems on fair or balanced
clustering, we model diversity in terms of variety of past experience (instead
of, e.g., protected attributes), with a goal of forming groups that have both
experience and diversity with respect to participation in edge types. In other
words, both diversity and experience are measured from the types of the
hyperedges.
Our clustering model is based on a regularized version of an edge-based
hypergraph clustering objective, and we also show how naive objectives actually
have no diversity-experience tradeoff. Although our objective function is
NP-hard to optimize, we design an efficient 2-approximation algorithm and also
show how to compute bounds for the regularization hyperparameter that lead to
meaningful diversity-experience tradeoffs. We demonstrate an application of
this framework in online review platforms, where the goal is to curate sets of
user reviews for a product type. In this context, "experience" corresponds to
users familiar with the type of product, and "diversity" to users that have
reviewed related products.
- Abstract（参考訳）: チームや個人のグループを作るとき、私たちはしばしば特定のタスクにおける専門知識のバランスを求め、同時に各グループ内のスキルの多様性を維持します。
本稿では,複数のエッジ型を持つハイパーグラフのクラスタリングとして,多様な経験を持つグループを見つけるという課題を考察する。
入力データはハイパーグラフで、複数のハイパーエッジ型 -- 個人の過去の経験を表す -- を持ち、出力はノードのグループである。
公正なクラスタリングやバランスの取れたクラスタリングに関する問題とは対照的に、エッジタイプへの参加に関して経験と多様性の両方を持つグループを形成することを目的として、過去のさまざまな経験(例えば、保護された属性など)の観点から多様性をモデル化する。
言い換えれば、多様性と経験の両方は、ハイパーエッジのタイプから測定される。
我々のクラスタリングモデルは、エッジベースのハイパーグラフクラスタリング目的の正規化バージョンに基づいており、また、ナイーブな目的が実際に多様性経験のトレードオフを持たないことを示す。
目的関数はNP-hardで最適化できるが、効率的な2-近似アルゴリズムを設計し、また、有意義な多様性-経験トレードオフをもたらす正規化ハイパーパラメータのバウンダリを計算する方法を示す。
オンラインレビュープラットフォームにおけるこのフレームワークの応用を実演し、製品タイプのユーザレビューのセットをキュレートすることを目的としている。
この文脈では、"experience"は製品の種類に詳しいユーザ、"diversity"は関連する製品をレビューしたユーザに対応している。
関連論文リスト
- Redefining Event Types and Group Evolution in Temporal Data [0.16385815610837165]
時間的データにおいて、集団進化を特徴づける主要なアプローチは、出来事の特定を通じてである」。
我々は事象をアーチェタイプとして考える」とは、我々がファセット・エクセレミティ(facet extremities)と呼ぶ定量的次元のユニークな組み合わせによって特徴づけられる。
本フレームワークは,複数の対面インタラクションデータセットからグループを進化させ,よりリッチで信頼性の高いグループダイナミクスのキャラクタリゼーションを可能にする。
論文 参考訳（メタデータ） (2024-03-11T14:39:24Z) - 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) - Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。
提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文 参考訳（メタデータ） (2022-01-17T10:49:49Z) - Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く
本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。
グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2022-01-10T22:04:48Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳（メタデータ） (2021-06-03T14:59:59Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - Protecting Individual Interests across Clusters: Spectral Clustering
with Guarantees [20.350342151402963]
我々は、各クラスタが各クラスタに接続された適切なメンバー数を含む必要があるグラフ $mathcalg$ をクラスタリングするための個別フェアネス基準を提案する。
与えられた表現グラフの下で公正なクラスタを見つけるためのスペクトルクラスタリングアルゴリズムを考案する。
論文 参考訳（メタデータ） (2021-05-08T15:03:25Z) - Joint Representation Learning and Novel Category Discovery on Single-
and Multi-modal Data [16.138075558585516]
信頼性の高い表現を共同学習し、ラベルなしのデータにクラスタを割り当てる汎用的なエンドツーエンドフレームワークを提案する。
我々は共有表現空間にウィナーテイクオール(wta)ハッシュアルゴリズムを採用し,ラベルなしデータに対してペアワイズ擬似ラベルを生成する。
大規模マルチモーダルビデオベンチマークKinetics-400およびVGG-Sound、および画像ベンチマークCIFAR10、CIFAR100およびImageNetに関するフレームワークを徹底的に評価します。
論文 参考訳（メタデータ） (2021-04-26T15:56:16Z) - Towards Understanding Sample Variance in Visually Grounded Language
Generation: Evaluations and Observations [67.4375210552593]
視覚的基盤言語生成において,重要だがしばしば無視される問題を理解するために実験を設計する。
人間にはさまざまなユーティリティと視覚的注意があるので、マルチ参照データセットのサンプルのばらつきはモデルの性能にどのように影響しますか?
人為的な参照は、異なるデータセットやタスクで大きく変化する可能性があり、それぞれのタスクの性質が明らかになる。
論文 参考訳（メタデータ） (2020-10-07T20:45:14Z) - Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。
本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。
提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-06T21:53:44Z)
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。