論文の概要: Preference learning along multiple criteria: A game-theoretic perspective

• arxiv url: http://arxiv.org/abs/2105.01850v1
• Date: Wed, 5 May 2021 03:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 12:56:01.848514
• Title: Preference learning along multiple criteria: A game-theoretic perspective
• Title（参考訳）: 複数の基準に沿った選好学習:ゲーム理論の視点から
• Authors: Kush Bhatia, Ashwin Pananjady, Peter L. Bartlett, Anca D. Dragan, Martin J. Wainwright
• Abstract要約: 我々は、ブラックウェルの接近性からインスピレーションを得て、フォン・ノイマンの勝者の概念をマルチ基準設定に一般化する。 本フレームワークは,基準間の選好の非線形集約を可能にし,多目的最適化から線形化に基づくアプローチを一般化する。 凸最適化問題の解法として,マルチ基準問題インスタンスのブラックウェルの勝者が計算可能であることを示す。
• 参考スコア（独自算出の注目度）: 97.94912276610002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The literature on ranking from ordinal data is vast, and there are several ways to aggregate overall preferences from pairwise comparisons between objects. In particular, it is well known that any Nash equilibrium of the zero sum game induced by the preference matrix defines a natural solution concept (winning distribution over objects) known as a von Neumann winner. Many real-world problems, however, are inevitably multi-criteria, with different pairwise preferences governing the different criteria. In this work, we generalize the notion of a von Neumann winner to the multi-criteria setting by taking inspiration from Blackwell's approachability. Our framework allows for non-linear aggregation of preferences across criteria, and generalizes the linearization-based approach from multi-objective optimization. From a theoretical standpoint, we show that the Blackwell winner of a multi-criteria problem instance can be computed as the solution to a convex optimization problem. Furthermore, given random samples of pairwise comparisons, we show that a simple plug-in estimator achieves near-optimal minimax sample complexity. Finally, we showcase the practical utility of our framework in a user study on autonomous driving, where we find that the Blackwell winner outperforms the von Neumann winner for the overall preferences.
• Abstract（参考訳）: 順序データからのランク付けに関する文献は広く、オブジェクト間のペア比較から全体的な嗜好を集約する方法はいくつかある。 特に、選好行列によって引き起こされる零和ゲームのナッシュ均衡は、フォン・ノイマンの勝者として知られる自然解の概念(オブジェクト上の勝利分布)を定義することがよく知られている。 しかし、現実の多くの問題は必然的に多基準であり、異なるペアの選好が異なる基準を規定している。 本研究では、ブラックウェルのアプローチ性からインスピレーションを得て、フォン・ノイマンの勝者の概念を多条件設定に一般化する。 本フレームワークは,基準間の選好の非線形集約を可能にし,多目的最適化から線形化に基づくアプローチを一般化する。 理論的観点から、多重基準問題インスタンスのブラックウェルの勝者は凸最適化問題の解として計算可能であることを示す。 さらに、ペア比較のランダムなサンプルから、単純なプラグイン推定器は、ほぼ最適の最小値サンプル複雑性を実現する。 最後に、自動運転に関するユーザー研究において、我々のフレームワークの実用性を紹介し、ブラックウェルの勝者がフォン・ノイマンの受賞者よりも全体的な選好に勝っていることを示す。

関連論文リスト

• 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)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• A unified surrogate-based scheme for black-box and preference-based optimization [2.561649173827544]
  ブラックボックスと嗜好に基づく最適化問題は密接に関連しており、同じアプローチのファミリを用いて解決可能であることを示す。 一般的なMSRSフレームワークを一般化した最適化手法である一般化されたメトリック応答面(gMRS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-03T08:47:54Z)
• Triangulation candidates for Bayesian optimization [0.3222802562733786]
  ベイズ最適化 (Bayesian optimization) は、入力-出力関係を適切なフレキシブル回帰モデルで理想化する設計形式である。 本稿では,デラウネー三角測量に基づく提案手法を提案する。
  論文  参考訳（メタデータ） (2021-12-14T15:13:31Z)
• Refined bounds for randomized experimental design [7.899055512130904]
  実験的な設計は与えられた基準のための最もよい推定器を得るために与えられたセット間のサンプルを選ぶためのアプローチです。 EおよびG最適化設計におけるランダム化戦略の理論的保証を提案する。
  論文  参考訳（メタデータ） (2020-12-22T20:37:57Z)
• Efficient Methods for Structured Nonconvex-Nonconcave Min-Max Optimization [98.0595480384208]
  定常点に収束する一般化外空間を提案する。 このアルゴリズムは一般の$p$ノルド空間だけでなく、一般の$p$次元ベクトル空間にも適用される。
  論文  参考訳（メタデータ） (2020-10-31T21:35:42Z)
• Discrete-Valued Latent Preference Matrix Estimation with Graph Side Information [12.836994708337144]
  最適なサンプルの複雑さにマッチするアルゴリズムを開発する。 我々のアルゴリズムはエラーをモデル化し、予測性能の点で既存のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-03-16T06:29:24Z)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。