論文の概要: Towards Group Learning: Distributed Weighting of Experts

• arxiv url: http://arxiv.org/abs/2206.02566v1
• Date: Fri, 3 Jun 2022 00:29:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-12 20:12:56.546768
• Title: Towards Group Learning: Distributed Weighting of Experts
• Title（参考訳）: グループ学習に向けて:専門家の分散重み付け
• Authors: Ben Abramowitz, Nicholas Mattei
• Abstract要約: ノイズの多い情報源の集合からの信号の集約は、クラウドソーシング、マルチエージェント計画、センサーネットワーク、信号処理、投票、アンサンブル学習、フェデレーション学習など、多くの領域において基本的な問題である。 我々は、専門家の最適な重み付けのための既知の結果に基づいて、特定の条件下で、準最適メカニズムのアンサンブルが最適に実行可能であることを証明した。
• 参考スコア（独自算出の注目度）: 31.564788318133264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aggregating signals from a collection of noisy sources is a fundamental problem in many domains including crowd-sourcing, multi-agent planning, sensor networks, signal processing, voting, ensemble learning, and federated learning. The core question is how to aggregate signals from multiple sources (e.g. experts) in order to reveal an underlying ground truth. While a full answer depends on the type of signal, correlation of signals, and desired output, a problem common to all of these applications is that of differentiating sources based on their quality and weighting them accordingly. It is often assumed that this differentiation and aggregation is done by a single, accurate central mechanism or agent (e.g. judge). We complicate this model in two ways. First, we investigate the setting with both a single judge, and one with multiple judges. Second, given this multi-agent interaction of judges, we investigate various constraints on the judges' reporting space. We build on known results for the optimal weighting of experts and prove that an ensemble of sub-optimal mechanisms can perform optimally under certain conditions. We then show empirically that the ensemble approximates the performance of the optimal mechanism under a broader range of conditions.
• Abstract（参考訳）: クラウドソーシング、マルチエージェント計画、センサネットワーク、信号処理、投票、アンサンブル学習、フェデレーション学習など多くの分野において、ノイズの多いソースの集合からの信号の集約は根本的な問題である。 核となる問題は、基礎となる真実を明らかにするために複数の情報源(例えば専門家)からの信号を収集する方法である。 完全な答えは信号の種類、信号の相関関係、所望の出力に依存するが、これら全ての応用に共通する問題は、それらの品質に基づいて微分源の分解と重み付けである。 この分化と凝集は、単一の正確な中央機構またはエージェント(例えば、審査員)によって行われるとしばしば仮定される。 このモデルを2つの方法で複雑化する。 まず,1人の裁判官と複数の裁判官の二人で設定について検討する。 第2に、裁判官のマルチエージェント相互作用を考慮し、裁判官の報告空間における様々な制約について検討する。 我々は、専門家の最適重み付けのための既知の結果に基づいて、サブ最適機構のアンサンブルが特定の条件下で最適に動作できることを証明する。 次に,より広い範囲の条件下での最適機構の性能を,アンサンブルが近似することを実証的に示す。

関連論文リスト

• Scalable Decentralized Algorithms for Online Personalized Mean Estimation [12.002609934938224]
  本研究は,各エージェントが実数値分布からサンプルを収集し,その平均値を推定する,オーバーアーキシング問題の簡易版に焦点を当てた。 1つは信念の伝播からインスピレーションを得ており、もう1つはコンセンサスに基づくアプローチを採用している。
  論文  参考訳（メタデータ） (2024-02-20T08:30:46Z)
• Pure Exploration under Mediators' Feedback [63.56002444692792]
  マルチアームバンディット(Multi-armed bandits)は、各インタラクションステップにおいて、学習者が腕を選択し、報酬を観察する、シーケンシャルな意思決定フレームワークである。 本稿では,学習者が仲介者の集合にアクセスできるシナリオについて考察する。 本稿では,学習者には仲介者の方針が知られていると仮定して,最適な腕を発見するための逐次的意思決定戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-29T18:18:21Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• Resource theory of causal connection [0.5735035463793007]
  我々は、すべてのマルチパーティ通信シナリオに対する因果接続に関する、十分に未熟なリソース理論を構築した。 私たちは、二部会と三部会のシナリオの中で、最もリソースの多いプロセスを特定します。 最後に、因果非分離性の資源理論を導入し、因果接続の場合とは対照的に、一意であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T07:33:39Z)
• Exploiting Heterogeneity in Robust Federated Best-Arm Identification [19.777265059976337]
  Fed-SELは、逐次除去技術に基づく単純な通信効率のアルゴリズムであり、クライアントのローカルサンプリングステップを含む。 異種問題の場合、Fed-SELは1ラウンドの通信でベストアームを出力する。 最後のコントリビューションとして、フェデレーションとピアツーピア設定の両方を対象としてFed-SELの亜種を開発しました。
  論文  参考訳（メタデータ） (2021-09-13T04:22:21Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)
• 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)
• Public Bayesian Persuasion: Being Almost Optimal and Almost Persuasive [57.47546090379434]
  i) 任意の状態空間, (ii) 任意の行動空間, (iii) 任意の送信者のユーティリティ関数を用いて, 一般の状況下での公衆の説得問題を考察する。 任意の公的な説得問題に対して準多項式時間ビクテリア近似アルゴリズムを提案し、特定の設定でQPTASを出力する。
  論文  参考訳（メタデータ） (2020-02-12T18:59:18Z)

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。