論文の概要: Computational Group Selection
- arxiv url: http://arxiv.org/abs/2104.12279v1
- Date: Sun, 25 Apr 2021 22:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-02 11:01:04.860318
- Title: Computational Group Selection
- Title(参考訳): 計算グループ選択
- Authors: Nripsuta Saxena
- Abstract要約: 我々は,生産的グループを計算的に形成するための研究の方向性を提案する。
私たちは、この目標を追求するために対処する必要があるいくつかの問題に光を当てています。
- 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: Humans spend a significant part of their lives being a part of groups. In
this document we propose research directions that would make it possible to
computationally form productive groups. We bring to light several issues that
need to be addressed in the pursuit of this goal (not amplifying existing
biases and inequality, for example), as well as multiple avenues to study that
would help achieve us this task efficiently.
- Abstract(参考訳): 人間は人生の大部分をグループの一員として過ごす。
本稿では,生産的グループを計算的に形成可能にするための研究方向を提案する。
私たちは、この目標の追求(例えば、既存のバイアスや不平等を増幅しない)に対処する必要があるいくつかの問題と、このタスクを効率的に達成するための複数の研究の道をもたらす。
関連論文リスト
- Beyond Submodularity: A Unified Framework of Randomized Set Selection
with Group Fairness Constraints [19.29174615532181]
グループフェアネス制約を組み込んだランダム化サブセット選択のための統一フレームワークを提案する。
我々の問題には、グローバルなユーティリティ関数と、各グループに対するグループユーティリティ関数のセットが含まれる。
我々の目的は、各実現可能な集合の選択確率を指定して、実現可能な部分集合にまたがる分布を生成することである。
論文 参考訳(メタデータ) (2023-04-13T15:02:37Z) - Achieving Long-term Fairness in Submodular Maximization through
Randomization [16.33001220320682]
人種や性別などのセンシティブな属性を含む可能性のあるデータアイテムを扱う場合、公平性を意識したアルゴリズムを実装することが重要です。
群フェアネス制約を満たしながら単調部分モジュラ函数を最大化する問題について検討する。
論文 参考訳(メタデータ) (2023-04-10T16:39:19Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:27:49Z) - Multiple Fairness and Cardinality constraints for Students-Topics
Grouping Problem [14.051419173519308]
グループワークは、学生が好みに基づいてトピック固有のグループに分けられる教育環境において一般的な活動である。
我々は,学生を重複しないグループに分割するマルチフェア・キャパシタント(MFC)グループ問題を導入する。
そこで本研究では,グループ化のための手法とknapsackに基づく手法の2つのアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-20T17:06:10Z) - Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く
本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。
グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
論文 参考訳(メタデータ) (2022-01-10T22:04:48Z) - Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。
グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
論文 参考訳(メタデータ) (2021-10-06T09:47:41Z) - Optimal Group Formulation Using Machine Learning [0.18275108630751835]
この研究は、あらゆる機関のクラスにおいて最適なグループを作成することに焦点を当てている。
本研究では, 前回の学術記録に基づくグループ形成にSimulated Annealing (SA) を用いた。
論文 参考訳(メタデータ) (2021-05-07T16:41:46Z) - Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。
本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。
この利点を実用的に活用できるメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-30T12:02:14Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳(メタデータ) (2020-10-24T21:35:57Z) - Randomized Entity-wise Factorization for Multi-Agent Reinforcement
Learning [59.62721526353915]
実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。
我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
論文 参考訳(メタデータ) (2020-06-07T18:28:41Z)
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。