論文の概要: Meta-Learning Approaches for a One-Shot Collective-Decision Aggregation:
Correctly Choosing how to Choose Correctly
- arxiv url: http://arxiv.org/abs/2204.01721v1
- Date: Sun, 3 Apr 2022 15:06:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 13:06:04.551611
- Title: Meta-Learning Approaches for a One-Shot Collective-Decision Aggregation:
Correctly Choosing how to Choose Correctly
- Title（参考訳）: 1ショット集合決定集合に対するメタラーニングアプローチ:正しく選択する方法を正しく選択する
- Authors: Hilla Shinitzky, Yuval Shahar, Ortal Parpara, Michal Ezrets and Raz
Klein
- Abstract要約: 単発の機械学習に基づくアグリゲーションアプローチを2つ提示する。
最初の予測では、集団の選択に関する複数の特徴が与えられた場合、どのアグリゲーション法が最善かが予想される。
2つ目は、どの決定が最適かを直接予測する。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Aggregating successfully the choices regarding a given decision problem made
by the multiple collective members into a single solution is essential for
exploiting the collective's intelligence and for effective crowdsourcing. There
are various aggregation techniques, some of which come down to a simple and
sometimes effective deterministic aggregation rule. However, it has been shown
that the efficiency of those techniques is unstable under varying conditions
and within different domains. Other methods mainly rely on learning from the
decision-makers previous responses or the availability of additional
information about them. In this study, we present two one-shot
machine-learning-based aggregation approaches. The first predicts, given
multiple features about the collective's choices, including meta-cognitive
ones, which aggregation method will be best for a given case. The second
directly predicts which decision is optimal, given, among other things, the
selection made by each method. We offer a meta-cognitive feature-engineering
approach for characterizing a collective decision-making case in a
context-sensitive fashion. In addition, we offer a new aggregation method, the
Devil's-Advocate aggregator, to deal with cases in which standard aggregation
methods are predicted to fail. Experimental results show that using either of
our proposed approaches increases the percentage of successfully aggregated
cases (i.e., cases in which the correct answer is returned) significantly,
compared to the uniform application of each rule-based aggregation method. We
also demonstrate the importance of the Devil's Advocate aggregator.
- Abstract（参考訳）: 複数の集団メンバーが与えられた決定問題に関する選択を単一のソリューションに集約することは、集団のインテリジェンスと効果的なクラウドソーシングに不可欠である。
様々なアグリゲーション技術があり、その一部は単純で時折効果的な決定論的アグリゲーションルールに導かれる。
しかし、これらの手法の効率は異なる条件下でも異なる領域内でも不安定であることが示されている。
その他の方法は、主に意思決定者の以前の回答や、それに関する追加情報の提供から学ぶことに依存する。
本研究では,単発機械学習に基づくアグリゲーションアプローチを2つ紹介する。
最初の予測では、メタ認知的なものなど、集団の選択に関する複数の特徴が与えられた場合、アグリゲーションメソッドが最善である。
第二は、各方法による選択が与えられた場合に、どの決定が最適かを直接予測する。
文脈に敏感な方法で集団意思決定事例を特徴付けるメタ認知的特徴工学アプローチを提案する。
さらに, 標準集約法が失敗すると予測される場合に対処するために, 新たな集約法であるdevil's-advocate aggregatorを提案する。
実験結果から,提案手法のいずれを用いた場合も,各ルールに基づく集計手法の統一適用と比較して,良好な解答が得られた場合の割合が有意に増加することがわかった。
また,悪魔の擁護者アグリゲータの重要性を実証する。
関連論文リスト
- Multi-criteria approach for selecting an explanation from the set of counterfactuals produced by an ensemble of explainers [4.239829789304117]
そこで本研究では,マルチ基準解析に基づいて単一対実数を選択するマルチステージアンサンブル手法を提案する。
提案手法は、検討された品質指標の魅力的な妥協値を持つ、完全に実行可能な対策を生成できる。
論文 参考訳（メタデータ） (2024-03-20T19:25:11Z) - A data-science pipeline to enable the Interpretability of Many-Objective
Feature Selection [0.1474723404975345]
多目的特徴選択(MOFS)アプローチは、4つ以上の目的を用いて、教師付き学習タスクにおける機能のサブセットの関連性を決定する。
本稿では,MOFS結果の解釈と比較においてデータサイエンティストを支援する手法を提案する。
論文 参考訳（メタデータ） (2023-11-30T17:44:22Z) - Domain Generalization via Rationale Invariance [70.32415695574555]
本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。
本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。
提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-08-22T03:31:40Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T06:50:27Z) - A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。
制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。
数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文 参考訳（メタデータ） (2022-02-08T19:18:49Z) - Exploiting Meta-Cognitive Features for a Machine-Learning-Based One-Shot
Group-Decision Aggregation [0.7340017786387767]
信頼に基づく手法のようなメタ認知情報に依存する手法は、様々なタスクにおいて改善された。
本研究の目的は,メタ認知情報を活用し,そこから学習することである。
論文 参考訳（メタデータ） (2022-01-20T15:56:18Z) - Towards Improved and Interpretable Deep Metric Learning via Attentive
Grouping [103.71992720794421]
グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。
本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T19:08:24Z) - Lookahead and Hybrid Sample Allocation Procedures for Multiple Attribute
Selection Decisions [0.9137554315375922]
本稿では、各測定値が1つの属性の1つのサンプルを1つの代替として生成する設定について考察する。
収集するサンプルが一定数与えられた場合、決定者は、どのサンプルを取得するかを決定し、測定を行い、属性の規模に関する事前の信念を更新し、代替案を選択する必要がある。
論文 参考訳（メタデータ） (2020-07-31T15:04:49Z) - Bayesian preference elicitation for multiobjective combinatorial
optimization [12.96855751244076]
DM(Decision Maker)のノイズ応答に対処できる新しいインクリメンタルな選好推論手法を提案する。
DMの選好はパラメータが未知の集約関数で表され、その不確実性はパラメータ空間上の密度関数で表されると仮定する。
論文 参考訳（メタデータ） (2020-07-29T12:28:37Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z) - Fast Template Matching and Update for Video Object Tracking and
Segmentation [56.465510428878]
私たちが取り組もうとしている主な課題は、フレームの列にまたがるマルチインスタンスの半教師付きビデオオブジェクトセグメンテーションである。
課題は、結果を予測するためのマッチングメソッドの選択と、ターゲットテンプレートを更新するかどうかを決定することである。
本稿では,これら2つの決定を同時に行うために,強化学習を利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-04-16T08:58:45Z)
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。