論文の概要: Lookahead and Hybrid Sample Allocation Procedures for Multiple Attribute
Selection Decisions
- arxiv url: http://arxiv.org/abs/2007.16119v1
- Date: Fri, 31 Jul 2020 15:04:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 06:56:55.026118
- Title: Lookahead and Hybrid Sample Allocation Procedures for Multiple Attribute
Selection Decisions
- Title（参考訳）: 複数属性選択決定のためのルックアヘッドおよびハイブリッドサンプル割り当て手順
- Authors: Jeffrey W. Herrmann and Kunal Mehta
- Abstract要約: 本稿では、各測定値が1つの属性の1つのサンプルを1つの代替として生成する設定について考察する。
収集するサンプルが一定数与えられた場合、決定者は、どのサンプルを取得するかを決定し、測定を行い、属性の規模に関する事前の信念を更新し、代替案を選択する必要がある。
- 参考スコア（独自算出の注目度）: 0.9137554315375922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributes provide critical information about the alternatives that a
decision-maker is considering. When their magnitudes are uncertain, the
decision-maker may be unsure about which alternative is truly the best, so
measuring the attributes may help the decision-maker make a better decision.
This paper considers settings in which each measurement yields one sample of
one attribute for one alternative. When given a fixed number of samples to
collect, the decision-maker must determine which samples to obtain, make the
measurements, update prior beliefs about the attribute magnitudes, and then
select an alternative. This paper presents the sample allocation problem for
multiple attribute selection decisions and proposes two sequential, lookahead
procedures for the case in which discrete distributions are used to model the
uncertain attribute magnitudes. The two procedures are similar but reflect
different quality measures (and loss functions), which motivate different
decision rules: (1) select the alternative with the greatest expected utility
and (2) select the alternative that is most likely to be the truly best
alternative. We conducted a simulation study to evaluate the performance of the
sequential procedures and hybrid procedures that first allocate some samples
using a uniform allocation procedure and then use the sequential, lookahead
procedure. The results indicate that the hybrid procedures are effective;
allocating many (but not all) of the initial samples with the uniform
allocation procedure not only reduces overall computational effort but also
selects alternatives that have lower average opportunity cost and are more
often truly best.
- Abstract（参考訳）: 属性は、意思決定者が検討している代替案に関する重要な情報を提供する。
大きさが不確実な場合、意思決定者はどの選択肢が本当に最良ののかわからないため、属性の測定は意思決定者がよりよい判断を下すのに役立つかもしれない。
本稿では、各測定値が1つの属性の1つのサンプルを1つの代替として生成する設定について考察する。
収集すべきサンプル数が一定であれば、どのサンプルを取得するかを決定し、測定を行い、属性の規模に関する事前の信念を更新し、代替案を選択する必要がある。
本稿では,複数の属性選択決定に対するサンプル割当問題を提案し,不確かさをモデル化するために離散分布を用いた場合の2つの逐次的ルックアヘッド手順を提案する。
2つの手順は似ているが、異なる品質基準(と損失関数)を反映しており、これは異なる決定ルールを動機付けている。
そこで本研究では,まず一様アロケーション手順を用いてサンプルを割り当て,次にシーケンシャルなルックアヘッド手順を用いて,シーケンシャルなプロシージャとハイブリッドなプロシージャの性能を評価するためのシミュレーション研究を行った。
その結果,初期標本の多く(すべてではないが)を均一な割当手順で割当てることによって,全体の計算労力を削減できるだけでなく,平均的な機会コストが低く,真にベストな代替案も選択できることが示唆された。
関連論文リスト
- Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳（メタデータ） (2024-03-06T16:31:56Z) - Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。
この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。
そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T17:44:56Z) - Domain Generalization via Rationale Invariance [70.32415695574555]
本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。
本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。
提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-08-22T03:31:40Z) - Improving Probability-based Prompt Selection Through Unified Evaluation
and Analysis [52.04932081106623]
本稿では,既存の確率ベースプロンプト選択手法を解釈し,評価する統合フレームワークを提案する。
既存の手法は入力と予測出力(MI)の相互情報を最大化する手法の変種と解釈できることがわかった。
そこで本研究では,既存の手法であるCBM(Marginalization)と呼ばれる新しい校正手法を提案し,最良の方法の迅速な選択効率を96.85%に向上させるとともに,校正を行なわない託宣F1の99.44%を達成している。
論文 参考訳（メタデータ） (2023-05-24T08:29:50Z) - Bi-objective Ranking and Selection Using Stochastic Kriging [0.0]
両目的のランク付けと選択の問題について検討し,その2つの目的が不確実性をもって観測された。
そこで本研究では,競合する解に対して逐次サンプルを割り当てるバイーシアン双対象ランクと選別法を提案する。
実験結果から,提案手法は標準的なアロケーション手法よりも優れており,また,よく知られた最先端のアルゴリズムも優れていることがわかった。
論文 参考訳（メタデータ） (2022-09-05T23:51:07Z) - Meta-Learning Approaches for a One-Shot Collective-Decision Aggregation:
Correctly Choosing how to Choose Correctly [0.7874708385247353]
単発の機械学習に基づくアグリゲーションアプローチを2つ提示する。
最初の予測では、集団の選択に関する複数の特徴が与えられた場合、どのアグリゲーション法が最善かが予想される。
2つ目は、どの決定が最適かを直接予測する。
論文 参考訳（メタデータ） (2022-04-03T15:06:59Z) - SelectAugment: Hierarchical Deterministic Sample Selection for Data
Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。
具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。
これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文 参考訳（メタデータ） (2021-12-06T08:38:38Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳（メタデータ） (2021-06-28T21:29:13Z) - Feature Selection Methods for Cost-Constrained Classification in Random
Forests [3.4806267677524896]
コストに敏感な特徴選択は、機能選択の問題であり、モデルに含めるための個々のコストを上昇させる。
ランダムフォレスト(Random Forests)は、機能選択において特に困難な問題を定義している。
小木構造から特徴を選択する新しい高速多変量特徴選択法であるShallow Tree Selectionを提案する。
論文 参考訳（メタデータ） (2020-08-14T11:39:52Z) - Bayesian preference elicitation for multiobjective combinatorial
optimization [12.96855751244076]
DM(Decision Maker)のノイズ応答に対処できる新しいインクリメンタルな選好推論手法を提案する。
DMの選好はパラメータが未知の集約関数で表され、その不確実性はパラメータ空間上の密度関数で表されると仮定する。
論文 参考訳（メタデータ） (2020-07-29T12:28:37Z) - Probabilistic Value Selection for Space Efficient Model [10.109875612945658]
情報理論の計量に基づく2つの確率的手法が提案されている: PVS と P + VS。
実験結果から,値選択は精度とモデルサイズ削減のバランスがとれることがわかった。
論文 参考訳（メタデータ） (2020-07-09T08:45:13Z)
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。