論文の概要: Finding teams that balance expert load and task coverage

• arxiv url: http://arxiv.org/abs/2011.04428v1
• Date: Tue, 3 Nov 2020 18:04:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 05:11:44.295338
• Title: Finding teams that balance expert load and task coverage
• Title（参考訳）: 専門的な負荷とタスクカバレッジのバランスをとるチームを見つける
• Authors: Sofia Maria Nikolakaki, Mingxiang Cai, Evimaria Terzi
• Abstract要約: 本稿では,各タスクが必須スキルとオプションスキルから構成される問題を考える。 BalancedTA問題(およびその変種)はNPハードであり、実際にそれを解決するために設計効率が良いことを示す。
• 参考スコア（独自算出の注目度）: 7.831410227443101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of online labor markets (e.g., Freelancer, Guru and Upwork) has ignited a lot of research on team formation, where experts acquiring different skills form teams to complete tasks. The core idea in this line of work has been the strict requirement that the team of experts assigned to complete a given task should contain a superset of the skills required by the task. However, in many applications the required skills are often a wishlist of the entity that posts the task and not all of the skills are absolutely necessary. Thus, in our setting we relax the complete coverage requirement and we allow for tasks to be partially covered by the formed teams, assuming that the quality of task completion is proportional to the fraction of covered skills per task. At the same time, we assume that when multiple tasks need to be performed, the less the load of an expert the better the performance. We combine these two high-level objectives into one and define the BalancedTA problem. We also consider a generalization of this problem where each task consists of required and optional skills. In this setting, our objective is the same under the constraint that all required skills should be covered. From the technical point of view, we show that the BalancedTA problem (and its variant) is NP-hard and design efficient heuristics for solving it in practice. Using real datasets from three online market places, Freelancer, Guru and Upwork we demonstrate the efficiency of our methods and the practical utility of our framework.
• Abstract（参考訳）: オンライン労働市場(フリーランサー、グル、アップワークなど)の台頭は、チーム形成に関する多くの研究に火をつけた。 この一連の作業の中核的な考え方は、与えられたタスクを完了するために割り当てられた専門家のチームが、タスクに必要なスキルのスーパーセットを含むべきであるという厳格な要件である。 しかし、多くのアプリケーションでは、必要なスキルは、タスクをポストするエンティティのウィッシュリストであり、すべてのスキルが絶対必要ではないことが多い。 したがって、私たちの設定では、完全なカバレッジ要件を緩和し、タスクの完成度がタスク毎のカバースキルのごく一部に比例していると仮定して、タスクが部分的に構成されたチームによってカバーされるようにします。 同時に、複数のタスクを実行する必要がある場合、専門家の負荷が少ないほどパフォーマンスが良くなると仮定する。 これら2つの高レベルな目標をひとつにまとめて、 BalancedTA問題を定義します。 また、各タスクが必須スキルとオプションスキルから構成されるこの問題の一般化についても検討する。 この設定では、私たちの目標はすべての必要なスキルをカバーすべきという制約の下で同じです。 技術的観点からは、 BalancedTA 問題(およびその変種)が NP-hard であり、実際にそれを解決するための効率的なヒューリスティックであることを示す。 Freelancer、Guru、Upworkの3つのオンラインマーケットプレースの実際のデータセットを使用して、我々の手法の効率とフレームワークの実用性を実証する。

関連論文リスト

• Learning State-Dependent Policy Parametrizations for Dynamic Technician Routing with Rework [0.0]
  家庭の修理と設置には、技術者が顧客を訪れ、異なる複雑さのタスクを解決する必要がある。 カスタマーの地理的拡散は 技術者のスキルと タスク要件の 完全な一致を達成します 本稿では、これらの要因の国家依存的バランスを強化学習を通して提案する。
  論文  参考訳（メタデータ） (2024-09-03T11:56:58Z)
• Re-TASK: Revisiting LLM Tasks from Capability, Skill, and Knowledge Perspectives [54.14429346914995]
  CoT (Chain-of-Thought) は複雑な問題を解決する重要な方法となっている。 大規模言語モデル(LLM)はドメイン固有のタスクを正確に分解するのに苦労することが多い。 本稿では,LLMタスクを能力,スキル,知識の観点から再検討する理論モデルであるRe-TASKフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-08-13T13:58:23Z)
• Diversity-Based Recruitment in Crowdsensing By Combinatorial Multi-Armed Bandits [6.802315212233411]
  本稿では,モバイル端末とそのユーザを中心的要求者の協調の下で集団センシングタスクに活用するモバイル・クラウドセンシングについて検討する。 ここでの最大の課題は、最初は未知であり、徐々に学ばなければならない個々の労働者の知覚能力の変化である。 本稿では,各ラウンドにおけるタスクの重み付けを各ラウンドの割り当て頻度に基づいて動的に調整することにより,各ラウンドにおけるタスクの多様性を高める新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-25T13:54:58Z)
• Mod-Squad: Designing Mixture of Experts As Modular Multi-Task Learners [74.92558307689265]
  専門家グループ("スクワッド")にモジュール化された新しいモデルであるMod-Squadを提案する。 単一モデルのトレーニング中に、このマッチングプロセスを最適化する。 13の視覚タスクを持つタスクノミーデータセットと、5つの視覚タスクを持つPASCAL-Contextデータセットの実験は、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2022-12-15T18:59:52Z)
• Learning Options via Compression [62.55893046218824]
  そこで本研究では,スキル記述長に対するペナルティと,最大限の目標を組み合わさった新たな目的を提案する。 我々の目的は、最大化可能性のみから学んだスキルと比較して、下流のタスクを少ないサンプルで解くスキルを学ぶことである。
  論文  参考訳（メタデータ） (2022-12-08T22:34:59Z)
• Design of Negative Sampling Strategies for Distantly Supervised Skill Extraction [19.43668931500507]
  本稿では,リテラルマッチングによる遠隔監視に基づく,スキル抽出のためのエンドツーエンドシステムを提案する。 ESCO分類を用いて、関連するスキルからネガティブな例を選択することで、最大の改善が得られます。 我々は,タスクのさらなる研究を促進するために,研究目的のベンチマークデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-09-13T13:37:06Z)
• Combining Modular Skills in Multitask Learning [149.8001096811708]
  モジュラー設計は、ニューラルネットワークが様々な知識の面をアンタングルして再結合し、新しいタスクにより系統的に一般化することを奨励する。 この研究では、各タスクは(潜在的に小さな)インベントリから潜在的な離散スキルのサブセットと関連付けられていると仮定する。 ネットワークのモジュラー設計により、強化学習におけるサンプル効率が著しく向上し、教師あり学習における数ショットの一般化が図られる。
  論文  参考訳（メタデータ） (2022-02-28T16:07:19Z)
• Towards Collaborative Question Answering: A Preliminary Study [63.91687114660126]
  我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。 専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。 専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-24T14:27:00Z)
• Discovering Generalizable Skills via Automated Generation of Diverse Tasks [82.16392072211337]
  本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。 教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。 生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。 学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
  論文  参考訳（メタデータ） (2021-06-26T03:41:51Z)

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。