Fugu-MT 論文翻訳(概要): Deep Learning for Two-Sided Matching

論文の概要: Deep Learning for Two-Sided Matching

arxiv url: http://arxiv.org/abs/2107.03427v1
Date: Wed, 7 Jul 2021 18:22:11 GMT
ステータス: 翻訳完了
システム内更新日: 2021-07-09 13:44:22.513075
Title: Deep Learning for Two-Sided Matching
Title（参考訳）: 双方向マッチングのための深層学習
Authors: Sai Srivatsa Ravindranath, Zhe Feng, Shira Li, Jonathan Ma, Scott D. Kominers, David C. Parkes
Abstract要約: 戦略の安全性と安定性の間のデザイン空間を探求する。安定性と戦略の安全性を両立させることが可能であることを示す。
参考スコア（独自算出の注目度）: 20.331033710762295
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We initiate the use of a multi-layer neural network to model two-sided matching and to explore the design space between strategy-proofness and stability. It is well known that both properties cannot be achieved simultaneously but the efficient frontier in this design space is not understood. We show empirically that it is possible to achieve a good compromise between stability and strategy-proofness-substantially better than that achievable through a convex combination of deferred acceptance (stable and strategy-proof for only one side of the market) and randomized serial dictatorship (strategy-proof but not stable).
Abstract（参考訳）: 我々は,双方向マッチングをモデル化するために多層ニューラルネットワークを使用し,戦略耐性と安定性の間の設計空間を探索する。両方の特性が同時に達成できないことはよく知られているが、この設計空間における効率的なフロンティアは理解されていない。我々は、遅延受容(市場の片側のみ安定かつ戦略保護)とランダム化されたシリアル独裁(戦略保護だが、安定ではない)の凸結合によって達成できるものよりも、安定性と戦略-防御-サブストラテティカルに優れた妥協を達成できることを実証的に示す。

関連論文リスト

Improving Active Learning with a Bayesian Representation of Epistemic Uncertainty [0.0]
アクティブラーニングの一般的な戦略は、特にてんかんの不確実性の減少を目標にすることである。この組み合わせが、望ましい特性を持つ新しいアクティブな学習戦略にどのように結びつくかを示す。非自明な設定でこれらの戦略の効率性を示すために、確率的ガウス過程(GP)の概念を導入する。
論文参考訳（メタデータ） (2024-12-11T09:19:20Z)
Learning Neural Strategy-Proof Matching Mechanism from Examples [24.15688619889342]
我々は,人為的なデータセットから戦略防御機構を学習するニューラルネットワークであるNeuralSDを開発した。エージェント数の違いによるマッチング例から,ストラテジブルマッチングを学習するための実験を行った。
論文参考訳（メタデータ） (2024-10-25T08:34:25Z)
Deviations from the Nash equilibrium and emergence of tacit collusion in a two-player optimal execution game with reinforcement learning [0.9208007322096533]
2つの自律的エージェントが市場の影響下で同じ資産を最適に清算することを学習するシナリオについて検討する。その結果,エージェントが学んだ戦略は,対応する市場影響ゲームのナッシュ均衡から大きく逸脱していることがわかった。市場のボラティリティの異なるレベルがエージェントのパフォーマンスと彼らが発見する均衡にどのように影響するかを考察する。
論文参考訳（メタデータ） (2024-08-21T16:54:53Z)
Learning to Maximize Gains From Trade in Small Markets [6.204762177970342]
両面市場(ダブルオークション)をインセンティブの整合性と予算バランスの制約の下で設計する問題について検討する。この結果は,1つの売り手と2つの買い手の間でも相関した値の分布の場合の一般的な不可能性である。 2つ目は、独立分布の場合、1つの売り手と2つの買い手のための効率的な学習アルゴリズムです。
論文参考訳（メタデータ） (2024-01-21T20:57:12Z)
Exploiting hidden structures in non-convex games for convergence to Nash equilibrium [62.88214569402201]
現代の機械学習アプリケーションは、非協調的なナッシュリリアとして定式化することができる。決定論的環境と決定論的環境の両方に明確な収束保証を提供する。
論文参考訳（メタデータ） (2023-12-27T15:21:25Z)
Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
論文参考訳（メタデータ） (2022-11-11T11:28:46Z)
Decorrelative Network Architecture for Robust Electrocardiogram Classification [4.808817930937323]
すべてのシナリオで正確であるネットワークをトレーニングすることはできない。深層学習法は不確実性を推定するためにモデルパラメータ空間をサンプリングする。これらのパラメータは、しばしば、敵の攻撃によって悪用される、同じ脆弱性にさらされる。本稿では,特徴デコレーションとフーリエ分割に基づく新たなアンサンブル手法を提案する。
論文参考訳（メタデータ） (2022-07-19T02:36:36Z)
Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
論文参考訳（メタデータ） (2021-08-19T17:59:28Z)
Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文参考訳（メタデータ） (2021-02-13T19:25:52Z)
Learning from History for Byzantine Robust Optimization [52.68913869776858]
分散学習の重要性から,ビザンチンの堅牢性が近年注目されている。既存のロバストアグリゲーションルールの多くは、ビザンチンの攻撃者がいなくても収束しない可能性がある。
論文参考訳（メタデータ） (2020-12-18T16:22:32Z)
Hidden Cost of Randomized Smoothing [72.93630656906599]
本稿では、現在のランダム化平滑化による副作用を指摘する。具体的には,1)スムーズな分類器の決定境界が小さくなり,クラスレベルでの精度の相違が生じること,2)学習過程における雑音増強の適用は,一貫性のない学習目的による縮小問題を必ずしも解決しない,という2つの主要なポイントを具体化し,証明する。
論文参考訳（メタデータ） (2020-03-02T23:37:42Z)

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。