Fugu-MT 論文翻訳(概要): Computational Group Selection

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

Learning to Assist Humans without Inferring Rewards [65.28156318196397]
我々は、エンパワーメントのレンズを通して支援を研究する先行研究に基づいて構築する。補助剤は、人間の行動の影響を最大化することを目的としている。これらの表現は、先行研究と類似したエンパワーメントの概念を推定する。
論文参考訳（メタデータ） (2024-11-04T21:31:04Z)
A Survey on Group Fairness in Federated Learning: Challenges, Taxonomy of Solutions and Directions for Future Research [5.08731160761218]
機械学習におけるグループフェアネスは、異なるグループ間で平等な結果を達成することに焦点を当てた研究の重要領域である。フェデレーション学習は、クライアント間の不均一なデータ分散による公平性の必要性を増幅する。連合学習におけるグループフェアネスの総合的な調査は行われていない。データパーティショニング、ロケーション、適用戦略といった重要な基準に基づいて、これらのアプローチの新しい分類法を作成します。
論文参考訳（メタデータ） (2024-10-04T18:39:28Z)
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)
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。