論文の概要: An attention model for the formation of collectives in real-world domains

• arxiv url: http://arxiv.org/abs/2205.00215v1
• Date: Sat, 30 Apr 2022 09:15:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 15:25:57.533219
• Title: An attention model for the formation of collectives in real-world domains
• Title（参考訳）: 実世界領域における集団形成のための注意モデル
• Authors: Adri\`a Fenoy, Filippo Bistaffa, Alessandro Farinelli
• Abstract要約: 本研究では,サステナブル開発目標に沿った実世界のアプリケーションにエージェントの集合を形成することの問題点を考察する。 本稿では,注目モデルと整数線形プログラムの新たな組み合わせに基づく集合形成のための一般的な手法を提案する。
• 参考スコア（独自算出の注目度）: 78.1526027174326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of forming collectives of agents for real-world applications aligned with Sustainable Development Goals (e.g., shared mobility, cooperative learning). We propose a general approach for the formation of collectives based on a novel combination of an attention model and an integer linear program (ILP). In more detail, we propose an attention encoder-decoder model that transforms a collective formation instance to a weighted set packing problem, which is then solved by an ILP. Results on two real-world domains (i.e., ridesharing and team formation for cooperative learning) show that our approach provides solutions that are comparable (in terms of quality) to the ones produced by state-of-the-art approaches specific to each domain. Moreover, our solution outperforms the most recent general approach for forming collectives based on Monte Carlo tree search.
• Abstract（参考訳）: 我々は,持続可能な開発目標(共有モビリティ,協調学習など)に沿った実世界のアプリケーションのためのエージェントの集合体形成の問題を考える。 本稿では,注意モデルと整数線形プログラム(ilp)の新たな組み合わせに基づく集団形成のための一般的なアプローチを提案する。 より詳しくは、集合生成インスタンスを重み付けされたパッキング問題に変換するアテンションエンコーダ・デコーダモデルを提案し、それをICPで解いた。 2つの現実世界のドメイン(つまり、ライドシェアリングと協調学習のためのチーム形成)の結果から、我々のアプローチは、各ドメイン特有の最先端のアプローチによって生み出されるソリューションと(品質の観点から)同等のソリューションを提供することがわかった。 さらに,モンテカルロ木探索に基づく集合体形成に対する最近の一般的なアプローチを上回っている。

関連論文リスト

• Cross-Silo Federated Learning Across Divergent Domains with Iterative Parameter Alignment [4.95475852994362]
  フェデレートラーニング(Federated Learning)は、リモートクライアント間で機械学習モデルをトレーニングする手法である。 我々は、共通の目的のために最適化されたNモデルを学ぶために、典型的な連合学習環境を再構築する。 この技術は、最先端のアプローチと比較して、様々なデータパーティションにおける競合的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-11-08T16:42:14Z)
• Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
  我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。 本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。 実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-07T08:19:40Z)
• Co-creating a globally interpretable model with human input [4.435944192177403]
  我々は,共同解釈可能なモデルを作成することを目的とした,総合的な人間とAIの協調について考察する。 このモデルはブール決定規則(Boolean decision rules)の形式で、人間の入力は論理的な条件や部分的なテンプレートの形で提供される。
  論文  参考訳（メタデータ） (2023-06-23T09:03:16Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Consensus Learning from Heterogeneous Objectives for One-Class Collaborative Filtering [30.17063272667769]
  本稿では、トレーニングプロセスを通じて異種目的からの相補性を生かした、ConCFという新しいフレームワークを提案する。 実世界のデータセットに関する我々の実験は、ConCFがモデルの一般化を著しく改善することを示した。
  論文  参考訳（メタデータ） (2022-02-26T13:34:29Z)
• Collective discrete optimisation as judgment aggregation [5.4903333042180495]
  例えば、参加予算はknapsack問題の集合バージョンである。 他の例としては、集合的なスケジューリングや集合的なスパンニングツリーがある。 我々は、重み付き問題による判断集約の統一的な枠組みでそれらを表現し、解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:40:23Z)
• Decentralised Person Re-Identification with Selective Knowledge Aggregation [56.40855978874077]
  既存の人物再識別(Re-ID)手法は、主に、モデル学習のためのコレクションにすべてのトレーニングデータを共有する集中型学習パラダイムに従っている。 グローバルに一般化されたモデル(サーバ)を構築するための分散(フェデレーション)Re-ID学習を導入した最近の2つの作品がある。 しかし、これらの手法は、個々のクライアントドメインのRe-IDタスクのパフォーマンスを最大化するために一般化されたモデルを適用する方法に乏しい。 我々は、モデルパーソナライゼーションと一般化のトレードオフを最適化するために、分散化されたRe-IDに対して、新しい選択的知識集約アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T18:09:53Z)
• On Generalization in Coreference Resolution [66.05112218880907]
  モデルの市販性能を評価するため、異なるドメインを対象とした8つのコア参照解決データセットを統合する。 次に、それらのドメイン、アノテーションガイドライン、メタデータが異なるにもかかわらず、トレーニングのために3つのデータセットを混ぜて、単一のモデルを共同でトレーニングする方法を提案する。 ゼロショット環境では、単一のデータセット転送でトレーニングされたモデルが不十分であるのに対して、共同トレーニングの成果によって全体的なパフォーマンスが改善されていることが分かりました。
  論文  参考訳（メタデータ） (2021-09-20T16:33:22Z)
• Domain Generalization using Ensemble Learning [0.0]
  モデルが単一ソースドメインでトレーニングされる場合、モデルの弱い一般化の問題に対処する。 この観点から,単一ソース上で訓練されたベースディープラーニングモデルに基づいてアンサンブルモデルを構築し,その集合予測の一般化を促進する。
  論文  参考訳（メタデータ） (2021-03-18T13:50:36Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)

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。