論文の概要: FERN: Fair Team Formation for Mutually Beneficial Collaborative Learning

• arxiv url: http://arxiv.org/abs/2011.11611v1
• Date: Mon, 23 Nov 2020 18:38:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-23 09:01:23.873752
• Title: FERN: Fair Team Formation for Mutually Beneficial Collaborative Learning
• Title（参考訳）: FERN: 相互効力のある協調学習のための公正なチーム形成
• Authors: Maria Kalantzi, Agoritsa Polyzou, and George Karypis
• Abstract要約: この研究は、相互に有益なピアラーニングを促進する公正なチーム形成アプローチであるFERNを導入している。 この問題をNPhardの離散最適化問題として示し,ヒルクライミングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.484474204788349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Team Formation is becoming increasingly important for a plethora of applications in open source community projects, remote working platforms, as well as online educational systems. The latter case, in particular, poses significant challenges that are specific to the educational domain. Indeed, teaming students aims to accomplish far more than the successful completion of a specific task. It needs to ensure that all members in the team benefit from the collaborative work, while also ensuring that the participants are not discriminated with respect to their protected attributes, such as race and gender. Towards achieving these goals, this work introduces FERN, a fair team formation approach that promotes mutually beneficial peer learning, dictated by protected group fairness as equality of opportunity in collaborative learning. We formulate the problem as a multi-objective discrete optimization problem. We show this problem to be NP-hard and propose a heuristic hill-climbing algorithm. Extensive experiments on both synthetic and real-world datasets against well-known team formation techniques show the effectiveness of the proposed method.
• Abstract（参考訳）: オープンソースコミュニティプロジェクトやリモートワーキングプラットフォーム、オンライン教育システムにおいて、多くのアプリケーションにとって、自動化されたチーム形成はますます重要になっています。 特に後者のケースは、教育領域に特有の重大な課題を提起する。 実際、学生たちは特定のタスクを成功させる以上のことを目指しています。 チーム内のすべてのメンバが共同作業から利益を得ると同時に、参加者が人種や性別といった保護された属性に関して差別されないようにする必要があります。 これらの目標を達成するために、共同学習における機会の平等として保護されたグループフェアネスによって規定される相互に有益なピアラーニングを促進するフェアチーム形成アプローチであるFERNを導入する。 我々は問題を多目的離散最適化問題として定式化する。 この問題をnpハードにし,ヒューリスティックなヒルクライミングアルゴリズムを提案する。 既知のチーム形成技術に対する合成データセットと実世界のデータセットの併用実験により,提案手法の有効性が示された。

関連論文リスト

• Incentivizing Honesty among Competitors in Collaborative Learning and Optimization [5.4619385369457225]
  協調学習技術は、単一のエンティティのデータでトレーニングされたモデルよりも優れた機械学習モデルを可能にする可能性がある。 多くの場合、このような協調的なスキームの潜在的な参加者は、下流のタスクで競合する。
  論文  参考訳（メタデータ） (2023-05-25T17:28:41Z)
• 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)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Federated Selective Aggregation for Knowledge Amalgamation [66.94340185846686]
  FedSAの目標は、何人かの分散教師の助けを借りて、新しいタスクのための学生モデルをトレーニングすることである。 このような問題を調査する動機は、最近のモデル共有のジレンマに端を発する。 提案されたFedSAは、このジレンマに対する解決策を提供し、さらに一歩進める。
  論文  参考訳（メタデータ） (2022-07-27T05:36:50Z)
• FairFed: Enabling Group Fairness in Federated Learning [22.913999279079878]
  フェデレーテッド・ラーニングは、複数のパーティで機械学習モデルを学習するための有望なソリューションと見なされている。 フェアネスを意識したアグリゲーション手法によりグループフェアネスを高める新しいアルゴリズムであるFairFedを提案する。 提案手法は,高度の不均一な属性分布の下で,最先端の公正な学習フレームワークよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-02T17:55:20Z)
• Distributed Deep Learning in Open Collaborations [49.240611132653456]
  協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。 現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-18T16:23:13Z)
• Who does what? Work division and allocation strategies of computer science student teams [5.863264019032882]
  本研究の目的は,集団課題におけるコンピュータサイエンスの学生の作業分割とアロケーション戦略の洞察を得ることである。 主に成績と効率の要因によって動機付けられ、学生は以前の専門知識と好みに基づいてタスクを選択し、割り当てる。 この結果から,新しいソフトウェア工学のスキルを実践する学生のモチベーションを抑えることができると論じている。
  論文  参考訳（メタデータ） (2021-03-04T12:27:07Z)
• Practical One-Shot Federated Learning for Cross-Silo Setting [114.76232507580067]
  ワンショット・フェデレーション・ラーニングは、クロスサイロ環境でフェデレーション・ラーニングを適用するための有望なアプローチである。 本稿では,FedKTという,実践的なワンショットフェデレーション学習アルゴリズムを提案する。 知識伝達技術を利用することで、FedKTは任意の分類モデルに適用でき、フレキシブルに差分プライバシー保証を達成できる。
  論文  参考訳（メタデータ） (2020-10-02T14:09:10Z)
• 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)
• Algorithms for Fair Team Formation in Online Labour Marketplaces [6.446179861303341]
  我々は、機械学習とアルゴリズムデータ分析ツールを用いて労働者を雇用するプロセスが、国籍や性別に基づいて、意図せずにも差別されないことを保証することを目指している。 フェアチーム形成問題に対して,問題自体に対する4つのアルゴリズムとともに不適応性を示す。 また、オンライン労働市場からの実データを用いて実験を行うことにより、アルゴリズムソリューションの有効性を検証した。
  論文  参考訳（メタデータ） (2020-02-14T11:33:35Z)

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。