論文の概要: Lists of Top Artists to Watch computed algorithmically

• arxiv url: http://arxiv.org/abs/2112.01321v1
• Date: Tue, 30 Nov 2021 20:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 06:42:23.033014
• Title: Lists of Top Artists to Watch computed algorithmically
• Title（参考訳）: アルゴリズムで計算したトップアーティストのリスト
• Authors: Tomasz Imielinski
• Abstract要約: トップアーティストのリストは、様々なアート・ワールド・メディアから定期的に出版されている。 我々は,我々のプラットフォームであるArtickerから派生したアーティストのリストをアルゴリズムで作成するために,モーメント法によるランキングの応用を示す。
• 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: Lists of top artists to watch are periodically published by various art world media publications. These lists are selected editorially and reflect the subjective opinions of their creators. We show an application of ranking by momentum method to algorithmically produce lists of artists to watch derived from our platform Articker. We use our algorithms every month to produce a new list of momentum leaders on www.articker.org. The lists of momentum leaders computed this way has the following properties: a.It is small (because of the small frontier property). b.It is unbiased -- with no bias towards famous artists nor emerging, and yet unknown, artists c It is fair -- artists who are not included in the list must be Pareto dominated by at least one member of the momentum leaders list (Pareto frontier) d.It is objective -- it is computed automatically, not editorially selected.
• Abstract（参考訳）: トップアーティストのリストは、様々なアートワールドメディアから定期的に出版されている。 これらのリストは編集的に選ばれ、クリエイターの主観的な意見を反映している。 我々は,我々のプラットフォームであるArtickerから派生したアーティストのリストをアルゴリズムで作成するために,モーメント法によるランキングの応用を示す。 私たちは毎月アルゴリズムを使って、www.articker.orgの新しい勢いリーダーのリストを作成しています。 この方法で計算されたモーメントリーダーのリストには、以下の特性がある。 a.小さい(フロンティアの小さな資産のため)。 b. 有名アーティストや新興アーティストに対する偏見はなく、かつ、cは公正である - リストに含まれていないアーティストは、モーメントリーダーリスト(パレートフロンティア)の少なくとも1人のメンバーによってパレートされなければならない。

関連論文リスト

• Mitigating Exposure Bias in Online Learning to Rank Recommendation: A Novel Reward Model for Cascading Bandits [23.15042648884445]
  我々は,Linear Cascading Banditsとして知られる,よく知られた文脈的帯域幅アルゴリズムのクラスにおける露出バイアスについて検討した。 本研究では,1)暗黙的なユーザフィードバック,2)レコメンデーションリストにおける項目の位置という2つの要因に基づいて,モデルパラメータを更新する Exposure-Aware reward モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-08T09:35:01Z)
• Found in the Middle: Permutation Self-Consistency Improves Listwise Ranking in Large Language Models [63.714662435555674]
  大規模言語モデル(LLM)は、文脈の使い方に位置バイアスを示す。 我々は,ブラックボックスLLMのランキングリスト出力に対して,自己整合性(permutation self-consistency)を提案する。 LLaMA v2 (70B) では GPT-3.5 では 7-18% , LLaMA v2 (70B) では 8-16% である。
  論文  参考訳（メタデータ） (2023-10-11T17:59:02Z)
• Popularity Degradation Bias in Local Music Recommendation [0.13597551064547497]
  地域音楽レコメンデーションの文脈における人気劣化バイアスの影響について検討する。 どちらのアルゴリズムも、より人気のあるアーティストのレコメンデーションパフォーマンスを改善する。 Mult-VAEは、あまり人気のないアーティストにとって、より優れた相対的パフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-20T22:36:33Z)
• Speed-Oblivious Online Scheduling: Knowing (Precise) Speeds is not Necessary [71.46673478666631]
  我々は、無関係な(異種な)マシン上でのオンラインスケジューリングを、高速な環境で検討する。 透かしアルゴリズムと非透かしアルゴリズムでは,強い可視性を示す。
  論文  参考訳（メタデータ） (2023-02-02T10:09:23Z)
• Bidimensional Leaderboards: Generate and Evaluate Language Hand in Hand [117.62186420147563]
  リーダーボード, 二次元リーダーボード(ビルボード)の一般化を提案する。 従来の一次元のリーダーボードがシステムに所定の基準でソートするのとは異なり、ビルボードはジェネレータと評価指標の両方を競合するエントリとして受け入れる。 いくつかの異なるメトリクスの線形アンサンブルが、場合によっては既存のメトリクスを独立して大幅に上回っていることを実証する。
  論文  参考訳（メタデータ） (2021-12-08T06:34:58Z)
• Overview of the TREC 2020 Fair Ranking Track [64.16623297717642]
  本稿は、NIST TREC 2020 Fair Ranking trackの概要を示す。 フェア・ランキング・トラックの中心的な目標は、様々な作家グループに公正な露出を提供することである。
  論文  参考訳（メタデータ） (2021-08-11T10:22:05Z)
• Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders [18.395568778680207]
  我々は、有向グラフと属性グラフのリンク予測タスクとして、コールドスタート類似アーティストランキング問題をモデル化する。 次に、グラフオートエンコーダアーキテクチャを利用して、このグラフからノード埋め込み表現を学習し、新しいアーティストの最もよく似た隣人を自動的にランク付けする。 実世界のコールドスタートに似たアーティストが、グローバル音楽ストリーミングサービスのランキング問題に対処することで、我々のフレームワークの柔軟性と効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-08-02T17:19:47Z)
• Towards Measuring Bias in Image Classification [61.802949761385]
  畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。 しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。 帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-01T10:50:39Z)
• Modeling "Newsworthiness" for Lead-Generation Across Corpora [85.92467549469147]
  自動ラベル付きコーパスでモデルをトレーニングして,各記事がフロントページであるかどうかを予測した。 ラベルのないコーポラの文書に「新しさ」をランク付けする 微調整されたRoBERTaモデルは、ホールトアウトラベル付き文書で.93AUC、エキスパート検証未ラベルコーパスで.88AUCを達成する。
  論文  参考訳（メタデータ） (2021-04-19T21:48:15Z)
• Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
  暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。 このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。 厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
  論文  参考訳（メタデータ） (2020-05-29T17:57:56Z)
• Improving Label Ranking Ensembles using Boosting Techniques [13.782477759025348]
  ブースティングはよく知られた信頼性の高いアンサンブル技術であり、他の学習アルゴリズムよりも優れていることがしばしば示された。 本稿では,ラベルランキングタスクに特化して設計されたブースティングアルゴリズムを提案する。 24の半合成および実世界のラベルランキングデータセットに対する提案アルゴリズムの広範な評価は、既存の最先端ラベルランキングアルゴリズムを著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2020-01-21T19:16:11Z)

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。