論文の概要: Data sharing games
- arxiv url: http://arxiv.org/abs/2101.10721v1
- Date: Tue, 26 Jan 2021 11:29:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 19:34:50.005287
- Title: Data sharing games
- Title（参考訳）: データ共有ゲーム
- Authors: V\'ictor Gallego, Roi Naveiro, David R\'ios Insua, Wolfram Rozas
- Abstract要約: データ共有問題は、オンライン社会と経済環境に浸透する。
私たちはこの相互作用を、Iterated Prisoner's Dilemmaに基づいて、ゲーム、データ共有ゲームとして形式化します。
中央集権化の程度に応じて、市民がどのように行動するかに関するいくつかの戦略を検討します。
- 参考スコア（独自算出の注目度）: 1.3764085113103222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data sharing issues pervade online social and economic environments. To
foster social progress, it is important to develop models of the interaction
between data producers and consumers that can promote the rise of cooperation
between the involved parties. We formalize this interaction as a game, the data
sharing game, based on the Iterated Prisoner's Dilemma and deal with it through
multi-agent reinforcement learning techniques. We consider several strategies
for how the citizens may behave, depending on the degree of centralization
sought. Simulations suggest mechanisms for cooperation to take place and, thus,
achieve maximum social utility: data consumers should perform some kind of
opponent modeling, or a regulator should transfer utility between both players
and incentivise them.
- Abstract（参考訳）: データ共有問題は、オンライン社会と経済環境に浸透する。
社会の進歩を促進するためには、関係者間の協力の上昇を促進することができるデータ生産者と消費者の間の相互作用のモデルを開発することが重要です。
私たちは、この相互作用を、反復囚人のジレンマに基づいたゲーム、データ共有ゲームとして形式化し、マルチエージェント強化学習技術を通じて対処します。
中央集権化の程度に応じて、市民がどのように行動するかに関するいくつかの戦略を検討します。
データ消費者は何らかの反対のモデリングを実行するか、規制当局は両方のプレーヤー間でユーティリティを転送し、それらをインセンティブ化する必要があります。
関連論文リスト
- The Dimensions of Data Labor: A Road Map for Researchers, Activists, and
Policymakers to Empower Data Producers [14.392208044851976]
データプロデューサは、取得したデータ、使用方法、あるいはそのメリットについてはほとんど言及していません。
このデータにアクセスし、処理する能力を持つ組織、例えばOpenAIやGoogleは、テクノロジーのランドスケープを形成する上で大きな力を持っている。
研究者,政策立案者,活動家がデータ生産者に力を与える機会を概説する。
論文 参考訳（メタデータ） (2023-05-22T17:11:22Z) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。
提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
論文 参考訳（メタデータ） (2022-08-22T14:06:06Z) - Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。
次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
論文 参考訳（メタデータ） (2022-07-10T22:36:52Z) - Cooperative Artificial Intelligence [0.0]
我々は,ゲーム理論と人工知能の交わりに関する研究の必要性を論じる。
本稿では,外部エージェントが人工学習者の協調を促進する方法について議論する。
また, 計画エージェントをオフにしても, 結果が一定のゲームにおいて安定であることを示す。
論文 参考訳（メタデータ） (2022-02-20T16:50:37Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳（メタデータ） (2021-07-19T06:00:34Z) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は、競合する社会的影響に基づく新しい学習メカニズムの提供に焦点を当てる。
本研究は,競争競合の概念に基づいて,これらのエージェントの評価を人的視点から変えられるかを検討することを目的とする。
論文 参考訳（メタデータ） (2020-11-02T21:54:18Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z) - Mechanisms of intermediary platforms [0.0]
この記事では、Matchmakersとコーディネートネットワークが市場を支配する方法について説明する。
戦略的およびビジネス上の課題を考慮すると、可能な解決策と戦略を提案する。
分散技術に基づく公正でオープンなモノの経済(EoT)への協調的アプローチを提案する。
論文 参考訳（メタデータ） (2020-05-05T12:55:57Z) - Recognizing Affiliation: Using Behavioural Traces to Predict the Quality
of Social Interactions in Online Games [26.131859388185646]
我々は、オンラインゲーム環境でのソーシャルな交流を通じて、ディヤドの見知らぬ人との親和性を予測するために行動トレースを使用する。
我々は23のダイアドから音声、ビデオ、ゲーム内、および自己報告データを収集し、75の特徴を抽出し、ランダムフォレストとサポートベクターマシンモデルを訓練し、その性能予測バイナリ(ハイ/ロー)とパートナーへの継続的なアフィリエイトを評価した。
本研究は,マルチプレイヤーゲームやゲームコミュニティの設計について報告し,オンラインゲームにおける有害行為を軽減・軽減するためのシステム開発を指導するものである。
論文 参考訳（メタデータ） (2020-03-06T20:56:05Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2020-02-05T11:10:44Z)
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。