Fugu-MT 論文翻訳(概要): Robust Voting Rules from Algorithmic Robust Statistics

論文の概要: Robust Voting Rules from Algorithmic Robust Statistics

arxiv url: http://arxiv.org/abs/2112.06380v1
Date: Mon, 13 Dec 2021 02:30:26 GMT
ステータス: 処理完了
システム内更新日: 2021-12-14 16:29:12.673676
Title: Robust Voting Rules from Algorithmic Robust Statistics
Title（参考訳）: アルゴリズムロバスト統計に基づくロバスト投票規則
Authors: Allen Liu, Ankur Moitra
Abstract要約: サンプルの一定割合が任意に破損しても,精度よく中央ランクを推定できるアルゴリズムを提案する。我々の研究は、アルゴリズムによる頑健な統計から、投票や情報集約における中心的な推論問題への視点の自然な注入と考えることができる。
参考スコア（独自算出の注目度）: 25.313563663123354
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work we study the problem of robustly learning a Mallows model. We give an algorithm that can accurately estimate the central ranking even when a constant fraction of its samples are arbitrarily corrupted. Moreover our robustness guarantees are dimension-independent in the sense that our overall accuracy does not depend on the number of alternatives being ranked. Our work can be thought of as a natural infusion of perspectives from algorithmic robust statistics into one of the central inference problems in voting and information-aggregation. Specifically, our voting rule is efficiently computable and its outcome cannot be changed by much by a large group of colluding voters.
Abstract（参考訳）: 本研究は,Mallowsモデルに頑健に学習する問題について考察する。我々は,そのサンプルの一定割合が任意に破損した場合でも,その中央ランキングを正確に推定できるアルゴリズムを提案する。さらに、我々の堅牢性保証は、全体的な精度がランク付けされる選択肢の数に依存しないという意味で次元に依存しない。我々の研究は、アルゴリズムのロバストな統計から、投票や情報集約における中心的な推論問題への視点の自然な注入と考えることができる。特に、我々の投票ルールは効率的に計算可能であり、その成果は多数の有権者によって大きく変えられない。

関連論文リスト

DeepVoting: Learning Voting Rules with Tailored Embeddings [13.037431161285971]
我々は、よい投票規則を設計する問題は、投票規則の確率的なバージョンを学ぶことの1つに再キャストする。社会的選択文献からの選好プロファイルの埋め込みにより,既存の投票ルールをより効率的に学習できることを示す。また、埋め込みを用いて学習したルールを微調整して、公理特性を改善した新しい投票ルールを作成することも示している。
論文参考訳（メタデータ） (2024-08-24T17:15:20Z)
Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
論文参考訳（メタデータ） (2023-12-19T13:17:43Z)
New Bounds on the Accuracy of Majority Voting for Multi-Class Classification [5.95012663623095]
一般的な多クラス分類問題に対するMVFの精度は未だ不明である。一定の条件下では、MVFの誤差率は、独立投票者の数が増えるにつれて指数関数的にゼロに低下する。次に、真理発見アルゴリズムの精度について論じる。
論文参考訳（メタデータ） (2023-09-18T08:16:41Z)
Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文参考訳（メタデータ） (2023-06-19T18:25:44Z)
Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
論文参考訳（メタデータ） (2022-06-01T00:44:53Z)
On the Complexity of Winner Determination and Strategic Control in Conditional Approval Voting [13.207754600697138]
条件最小 (Conditional Minisum, CMS) は、優先的な依存関係を持つ多問題選挙の投票規則である。我々は,CMSを表現性と計算効率の良好なトレードオフを実現するソリューションとみなすことができることを示す。
論文参考訳（メタデータ） (2022-02-03T16:15:54Z)
Obvious Manipulability of Voting Rules [105.35249497503527]
Gibbard-Satterthwaite の定理は、全会一致で非独裁的な投票規則は、戦略的なものではないと述べる。我々は投票規則を再検討し、明らかでない操作性という戦略的安全性の弱い概念を考察する。
論文参考訳（メタデータ） (2021-11-03T02:41:48Z)
Sample Selection for Fair and Robust Training [28.94276265328868]
公平でロバストなトレーニングのためのサンプル選択に基づくアルゴリズムを提案する。提案アルゴリズムは,最先端技術に匹敵する公平性と堅牢性が得られることを示す。
論文参考訳（メタデータ） (2021-10-27T07:17:29Z)
Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
問合せ予算で意思決定問題を定式化する。我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
論文参考訳（メタデータ） (2021-02-05T19:56:31Z)
Corruption-Tolerant Gaussian Process Bandit Optimization [130.60115798580136]
未知(典型的には非生成)関数を有界ノルムで最適化する問題を考察する。我々は「高速だが非ローバスト」と「スロー」に基づく高速スローGP-UCBに基づくアルゴリズムを提案する。ある種の依存関係は、汚職レベルによっては要求できない、と我々は主張する。
論文参考訳（メタデータ） (2020-03-04T09:46:58Z)
Objective Social Choice: Using Auxiliary Information to Improve Voting Outcomes [16.764511357821043]
多様な情報源からノイズのある情報を組み合わせて、客観的根拠の真理を推測するにはどうすればよいのか? マルチアームバンディット雑音モデルとカウントベース補助情報セットを提案する。我々のルールは、補助情報を利用して、素質のベースラインを上回りました。
論文参考訳（メタデータ） (2020-01-27T21:21:19Z)

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。