論文の概要: Recommender Systems meet Mechanism Design

• arxiv url: http://arxiv.org/abs/2110.12558v1
• Date: Mon, 25 Oct 2021 00:03:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 15:09:42.507423
• Title: Recommender Systems meet Mechanism Design
• Title（参考訳）: 機構設計に適合するレコメンダシステム
• Authors: Yang Cai, Constantinos Daskalakis
• Abstract要約: 提案手法では,入札者の価値分布をトピックモデルで近似できる多項目機構の設計問題を考察する。 このフレームワークの拡張により,話題モデルの表現力を利用して,問題の有効次元を低減できる。
• 参考スコア（独自算出の注目度）: 29.132299904090868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has developed a variety of tools for learning and representing high-dimensional distributions with structure. Recent years have also seen big advances in designing multi-item mechanisms. Akin to overfitting, however, these mechanisms can be extremely sensitive to the Bayesian prior that they target, which becomes problematic when that prior is only approximately known. We consider a multi-item mechanism design problem where the bidders' value distributions can be approximated by a topic model. Our solution builds on a recent robustification framework by Brustle et al., which disentangles the statistical challenge of estimating a multi-dimensional prior from the task of designing a good mechanism for it, robustifying the performance of the latter against the estimation error of the former. We provide an extension of the framework that allows us to exploit the expressive power of topic models to reduce the effective dimensionality of the mechanism design problem.
• Abstract（参考訳）: 機械学習は、構造を持つ高次元分布を学習し表現するための様々なツールを開発した。 近年、マルチイテム機構の設計にも大きな進歩があった。 しかし、オーバーフィッティングと同様に、これらのメカニズムは対象とする前のベイズ系に対して非常に敏感であり、それがほぼ知られている場合に問題となる。 提案手法では,入札者の価値分布をトピックモデルで近似できる多項目機構の設計問題を考察する。 提案手法は,Brustleらによる最近のロバスト化フレームワークを基盤として,多次元先行推定の統計的課題を,優れたメカニズムを設計する作業から切り離し,後者の性能を前者の推定誤差に対して強固化するものである。 このフレームワークの拡張により、話題モデルの表現力を利用して、メカニズム設計問題の効果的な次元性を低減することができる。

関連論文リスト

• Learning Long-Horizon Predictions for Quadrotor Dynamics [48.08477275522024]
  四元数に対する長軸予測力学を効率的に学習するための鍵となる設計選択について検討する。 逐次モデリング手法は,他のタイプの手法と比較して,合成誤差を最小限に抑える上での優位性を示す。 本稿では,モジュール性の向上を図りながら,学習プロセスをさらに単純化する,疎結合な動的学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-17T19:06:47Z)
• The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
  大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。 本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。 我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
  論文  参考訳（メタデータ） (2024-05-24T07:41:26Z)
• Deep Generative Model-based Synthesis of Four-bar Linkage Mechanisms with Target Conditions [22.164394511786874]
  深層学習に基づく複数クランクロックの4バーリンク機構を生成するための生成モデルを提案する。 提案モデルは, 条件付き生成逆数ネットワーク (cGAN) を基盤として, 機構合成に改良を加えたモデルである。 その結果, 提案モデルでは, 特定のキネマティックおよび準静的な要求を満たす複数の異なるメカニズムが得られた。
  論文  参考訳（メタデータ） (2024-02-22T03:31:00Z)
• Efficient Multi-Object Pose Estimation using Multi-Resolution Deformable Attention and Query Aggregation [19.995626376471765]
  多目的ポーズ推定のための視覚変換器モデルに帰納バイアスを取り入れることを検討する。 本稿では,計算複雑性を増大させることなく,オブジェクトクエリ数を増大させるクエリ集約機構を提案する。 課題となるYCB-Videoデータセットについて提案したモデルを評価し,その結果を報告する。
  論文  参考訳（メタデータ） (2023-12-13T16:30:00Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
  埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。 本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
  論文  参考訳（メタデータ） (2023-10-06T17:50:38Z)
• High Fidelity Image Counterfactuals with Probabilistic Causal Models [25.87025672100077]
  深部構造因果モデルを用いた高忠実度画像反事実の正確な推定のための因果生成モデルフレームワークを提案する。 我々は、因果媒介分析のアイデアと生成モデリングの進歩を活用し、因果モデルにおける構造変数の新しい深い因果機構を設計する。
  論文  参考訳（メタデータ） (2023-06-27T19:28:41Z)
• Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
  オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。 我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
  論文  参考訳（メタデータ） (2022-05-05T05:44:26Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)

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。