論文の概要: A Note on Data Simulations for Voting by Evaluation
- arxiv url: http://arxiv.org/abs/2104.07666v1
- Date: Thu, 15 Apr 2021 07:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:23:39.500652
- Title: A Note on Data Simulations for Voting by Evaluation
- Title（参考訳）: 評価による投票データシミュレーションに関する一考察
- Authors: Antoine Rolland (ERIC), Jean-Baptiste Aubin (PSPM), Ir\`ene Gannaz
(PSPM), Samuela Leoni
- Abstract要約: シミュレーションモデルは評価に基づく投票規則の分析には適さない。
評価に基づく投票入力を生成するシミュレーションモデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Voting rules based on evaluation inputs rather than preference orders have
been recently proposed, like majority judgement, range voting or approval
voting. Traditionally, probabilistic analysis of voting rules supposes the use
of simulation models to generate preferences data, like the Impartial Culture
(IC) or Impartial and Anonymous Culture (IAC) models. But these simulation
models are not suitable for the analysis of evaluation-based voting rules as
they generate preference orders instead of the needed evaluations. We propose
in this paper several simulation models for generating evaluation-based voting
inputs. These models, inspired by classical ones, are defined, tested and
compared for recommendation purpose.
- Abstract（参考訳）: 選好順序よりも評価入力に基づく投票ルールが最近提案されており、多数決、範囲投票、承認投票などがある。
伝統的に、投票規則の確率論的分析は、不偏文化(ic)や不偏文化(iac)モデルのような選好データを生成するためにシミュレーションモデルを使うことを前提としている。
しかし、これらのシミュレーションモデルは、必要な評価ではなく選好順序を生成するため、評価に基づく投票規則の分析には適していない。
本稿では,評価に基づく投票入力を生成するためのシミュレーションモデルを提案する。
これらのモデルは、古典的なモデルにインスパイアされ、推奨目的のために定義され、テストされ、比較される。
関連論文リスト
- ElectionSim: Massive Population Election Simulation Powered by Large Language Model Driven Agents [70.17229548653852]
我々は,大規模言語モデルに基づく革新的な選挙シミュレーションフレームワークであるElectronSimを紹介する。
ソーシャルメディアプラットフォームからサンプリングした100万レベルの投票者プールを提示し、正確な個人シミュレーションを支援する。
PPEは、米国大統領選挙シナリオ下での我々の枠組みの性能を評価するための、世論調査に基づく大統領選挙ベンチマークである。
論文 参考訳（メタデータ） (2024-10-28T05:25:50Z) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Multi-Criteria Comparison as a Method of Advancing Knowledge-Guided Machine Learning [1.6574413179773761]
本稿では,AI/MLモデルの評価に適用可能な一般化可能なモデル評価手法について述べる。
本手法は,複数の科学的,理論的,実践的基準にまたがる,様々なタイプの候補モデルと構造の評価を行う。
論文 参考訳（メタデータ） (2024-03-18T14:50:48Z) - Efficient Weighting Schemes for Auditing Instant-Runoff Voting Elections [57.67176250198289]
AWAIREは、適応的に重み付けされたテスト統計量であり、本質的には、テストに有効な仮説のセットを「学習」する。
我々は、より広範囲にスキームと設定を検討し、実践のための効率的な選択を特定し、推奨する。
現在のAWAIRE実装の制限は、少数の候補者に限られている。
論文 参考訳（メタデータ） (2024-02-18T10:13:01Z) - Leveraging Uncertainty Estimates To Improve Classifier Performance [4.4951754159063295]
バイナリ分類では、正のクラスのモデルスコアが、アプリケーション要求に基づいて選択されたしきい値を超えるかどうかに基づいて、インスタンスのラベルを予測する。
しかし、モデルスコアは真の肯定率と一致しないことが多い。
これは特に、クラス間の差分サンプリングを含むトレーニングや、トレインとテスト設定間の分散ドリフトがある場合に当てはまる。
論文 参考訳（メタデータ） (2023-11-20T12:40:25Z) - FLASK: Fine-grained Language Model Evaluation based on Alignment Skill Sets [69.91340332545094]
FLASKは、人間に基づく評価とモデルに基づく評価の両方のためのきめ細かい評価プロトコルである。
モデル性能の全体像を得るためには,評価の微粒化が重要であることを実験的に観察する。
論文 参考訳（メタデータ） (2023-07-20T14:56:35Z) - How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク
ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。
本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
論文 参考訳（メタデータ） (2023-06-01T04:52:26Z) - Multi-agent simulation of voter's behaviour [2.2043969529099097]
本研究の目的は,投票方式による有権者行動のシミュレートである。
提案手法では, 投票過程を複数反復でモデル化するために, 投票結果を考慮したマルチエージェントシミュレーションを用いる。
論文 参考訳（メタデータ） (2021-01-27T16:48:03Z)
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。