論文の概要: Active Learning for Non-Parametric Choice Models
- arxiv url: http://arxiv.org/abs/2208.03346v1
- Date: Fri, 5 Aug 2022 18:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 12:55:32.143242
- Title: Active Learning for Non-Parametric Choice Models
- Title(参考訳): 非パラメトリック選択モデルのアクティブラーニング
- Authors: Fransisca Susan (1), Negin Golrezaei (2), Ehsan Emamjomeh-Zadeh (3),
David Kempe (4) ((1) MIT Operations Research Center, (2) MIT Sloan School of
Management, (3) Meta Platforms, Inc., (4) University of Southern California,
Los Angeles)
- Abstract要約: 本研究では,消費者の判断に基づいて,非パラメトリック選択モデルを積極的に学習する問題について検討する。
このような選択モデルが識別できない可能性があることを示す否定的な結果を示す。
次に,このDAG表現の近似を能動的学習環境で学習する問題を考察する。
- 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: We study the problem of actively learning a non-parametric choice model based
on consumers' decisions. We present a negative result showing that such choice
models may not be identifiable. To overcome the identifiability problem, we
introduce a directed acyclic graph (DAG) representation of the choice model,
which in a sense captures as much information about the choice model as could
information-theoretically be identified. We then consider the problem of
learning an approximation to this DAG representation in an active-learning
setting. We design an efficient active-learning algorithm to estimate the DAG
representation of the non-parametric choice model, which runs in polynomial
time when the set of frequent rankings is drawn uniformly at random. Our
algorithm learns the distribution over the most popular items of frequent
preferences by actively and repeatedly offering assortments of items and
observing the item chosen. We show that our algorithm can better recover a set
of frequent preferences on both a synthetic and publicly available dataset on
consumers' preferences, compared to the corresponding non-active learning
estimation algorithms. This demonstrates the value of our algorithm and
active-learning approaches more generally.
- Abstract(参考訳): 消費者の判断に基づいて非パラメトリック選択モデルを積極的に学習する問題について検討する。
このような選択モデルが識別不能であることを示す負の結果を示す。
識別可能性の問題を克服するために,選択モデルの有向非巡回グラフ(DAG)表現を導入する。
次に,このDAG表現の近似を能動的学習環境で学習する問題を考察する。
我々は,非パラメトリック選択モデルのDAG表現を,頻繁なランクの集合がランダムに一様に描画される多項式時間で推定する効率的な能動学習アルゴリズムを設計する。
提案アルゴリズムは,頻繁な嗜好を呈するアイテムを積極的に繰り返し提供し,選択したアイテムを観察することで,最も人気のあるアイテムの分布を学習する。
提案アルゴリズムは, 消費者の嗜好に基づく合成データセットと公開データセットの両方において, 対応する非アクティブ学習推定アルゴリズムと比較して, 頻繁な嗜好を回復できることを示す。
これにより、我々のアルゴリズムとアクティブラーニングアプローチの価値がより一般的に示される。
関連論文リスト
- Towards Free Data Selection with General-Purpose Models [71.92151210413374]
望ましいデータ選択アルゴリズムは、限られたアノテーション予算の有用性を最大化するために、最も情報性の高いサンプルを効率的に選択することができる。
アクティブな学習手法で表現された現在のアプローチは、通常、時間を要するモデルのトレーニングとバッチデータ選択を繰り返し繰り返す、面倒なパイプラインに従う。
FreeSelは重いバッチ選択プロセスをバイパスし、効率を大幅に改善し、既存のアクティブラーニングメソッドよりも530倍高速である。
論文 参考訳(メタデータ) (2023-09-29T15:50:14Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳(メタデータ) (2022-05-05T13:40:08Z) - Towards Deterministic Diverse Subset Sampling [14.236193187116049]
本稿では,k-DPPのグリーディ決定論的適応について論じる。
画像検索作業におけるモデルの有用性を示す。
論文 参考訳(メタデータ) (2021-05-28T16:05:58Z) - Feature Selection Using Reinforcement Learning [0.0]
特定の関心の予測因子を特徴付けるために使用できる変数や特徴の空間は指数関数的に増大し続けている。
モデルのバイアスを損なうことなく分散を最小化する最も特徴的な特徴を特定することは、マシンラーニングモデルのトレーニングを成功させる上で非常に重要です。
論文 参考訳(メタデータ) (2021-01-23T09:24:37Z) - Finding the Homology of Decision Boundaries with Active Learning [26.31885403636642]
本稿では,意思決定境界のホモロジーを回復するための能動的学習アルゴリズムを提案する。
我々のアルゴリズムは、ラベルを必要とするサンプルを逐次かつ適応的に選択する。
いくつかのデータセットの実験では、ホモロジーを回復する際のサンプルの複雑さの改善が示されている。
論文 参考訳(メタデータ) (2020-11-19T04:22:06Z) - Model-Agnostic Explanations using Minimal Forcing Subsets [11.420687735660097]
そこで本研究では,モデル決定に欠かせない最小限のトレーニングサンプルを同定する,モデルに依存しない新しいアルゴリズムを提案する。
本アルゴリズムは,制約付き最適化問題を解くことにより,このような「欠かせない」サンプルの集合を反復的に同定する。
結果から,本アルゴリズムは局所モデルの振る舞いをよりよく理解する上で,効率的かつ容易に記述できるツールであることがわかった。
論文 参考訳(メタデータ) (2020-11-01T22:45:16Z) - Model-specific Data Subsampling with Influence Functions [37.64859614131316]
トレーニングポイントが様々な影響を持つ場合、ランダムサンプリングよりも優れたモデル固有データサブサンプリング戦略を開発する。
具体的には、影響関数を活用して、選択戦略をガイドし、理論的に証明し、我々のアプローチが素早く高品質なモデルを選択することを実証する。
論文 参考訳(メタデータ) (2020-10-20T12:10:28Z) - Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。
我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
論文 参考訳(メタデータ) (2020-10-19T19:53:15Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳(メタデータ) (2020-07-06T15:20:17Z) - Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。
その微分可能性を利用してモデルをより効果的に活用する方法を示す。
論文 参考訳(メタデータ) (2020-05-16T19:18:10Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳(メタデータ) (2020-01-12T09:42:19Z)
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。
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。