Fugu-MT 論文翻訳(概要): Machine Learning-powered Course Allocation

論文の概要: Machine Learning-powered Course Allocation

arxiv url: http://arxiv.org/abs/2210.00954v1
Date: Mon, 3 Oct 2022 14:11:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 14:33:03.177822
Title: Machine Learning-powered Course Allocation
Title（参考訳）: 機械学習を活用したコース割り当て
Authors: Ermis Soumalias, Behnoosh Zamanlooy, Jakob Weissteiner and Sven Seuken
Abstract要約: 我々は、最先端のCourse Matchメカニズムを機械学習に基づく選好評価モジュールで拡張する。反復的かつ非同期な方法で、このモジュールは各学生に合わせたペアワイズ比較クエリを生成する。その結果,MLCMは,Course Matchと比較して,平均学生利用率を4%～9%,最小学生利用率を10%～21%向上できることがわかった。
参考スコア（独自算出の注目度）: 9.204731919387777
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a machine learning-powered course allocation mechanism. Concretely, we extend the state-of-the-art Course Match mechanism with a machine learning-based preference elicitation module. In an iterative, asynchronous manner, this module generates pairwise comparison queries that are tailored to each individual student. Regarding incentives, our machine learning-powered course match (MLCM) mechanism retains the attractive strategyproofness in the large property of Course Match. Regarding welfare, we perform computational experiments using a simulator that was fitted to real-world data. We find that, compared to Course Match, MLCM is able to increase average student utility by 4%-9% and minimum student utility by 10%-21%, even with only ten comparison queries.
Abstract（参考訳）: 機械学習を利用したコース割当機構を導入する。具体的には、最先端のCourse Matchメカニズムを機械学習に基づく選好評価モジュールで拡張する。反復的かつ非同期な方法で、このモジュールは各学生に合わせたペアワイズ比較クエリを生成する。インセンティブに関しては,機械学習を利用したコースマッチ(MLCM)機構は,コースマッチの大きな特性において,魅力的なストラテジーを保っている。福祉については,実世界のデータに適合するシミュレータを用いて計算実験を行う。その結果,MLCMは,Course Matchと比較して,平均学生利用率を4%～9%,最小学生利用率を10%～21%向上させることができることがわかった。

関連論文リスト

Learning to Love Edge Cases in Formative Math Assessment: Using the AMMORE Dataset and Chain-of-Thought Prompting to Improve Grading Accuracy [0.0]
本稿では,Rori による 53,000 個の質問応答対の新たなデータセットである AMMORE を紹介する。 2つの実験により,大規模言語モデル(LLM)を用いて,難解な学生の回答を段階的に評価する。
論文参考訳（メタデータ） (2024-09-26T14:51:40Z)
Joint Input and Output Coordination for Class-Incremental Learning [84.36763449830812]
本稿では,これらの問題に対処するためのJIOC機構を提案する。このメカニズムは、出力スコアの勾配に応じて異なるカテゴリのデータに異なる重みを割り当てる。メモリストレージを使用するさまざまなインクリメンタルな学習アプローチに組み込むことができる。
論文参考訳（メタデータ） (2024-09-09T13:55:07Z)
Automated Program Repair: Emerging trends pose and expose problems for benchmarks [7.437224586066947]
大規模言語モデル(LLM)はソフトウェアパッチの生成に使用される。評価と比較は、結果が有効であり、一般化する可能性が高いことを保証するために注意する必要があります。大規模かつしばしば開示されていないトレーニングデータセットには、評価される問題が含まれている可能性がある。
論文参考訳（メタデータ） (2024-05-08T23:09:43Z)
Challenging Forgets: Unveiling the Worst-Case Forget Sets in Machine Unlearning [9.998859702421417]
マシン・アンラーニング(MU)は、選択したデータポイントがモデルの性能に与える影響を排除することを目的としている。データ影響消去のための様々なMU手法にもかかわらず、評価は主にランダムなデータの忘れ方に焦点を当てている。本稿では,影響消去の最も重要な課題を示すデータサブセットの同定を提案する。
論文参考訳（メタデータ） (2024-03-12T06:50:32Z)
Majority or Minority: Data Imbalance Learning Method for Named Entity Recognition [4.062316786853382]
本稿では,多数派・少数派(MoM)学習という,シンプルで効果的な学習手法を提案する。 MoM学習は、基礎的真理が多数派であるサンプルのみに計算された損失を従来のMLモデルの損失に組み込む。マイノリティクラスの性能を犠牲にすることなく,MoM学習がマイノリティクラスの予測性能を向上させることを示す。
論文参考訳（メタデータ） (2024-01-21T08:43:24Z)
The Devil is in the Errors: Leveraging Large Language Models for Fine-grained Machine Translation Evaluation [93.01964988474755]
AutoMQMは,大規模な言語モデルに対して,翻訳におけるエラーの識別と分類を求めるプロンプト技術である。テキスト内学習と微調整によるラベル付きデータの影響について検討する。次に, PaLM-2モデルを用いてAutoMQMを評価し, スコアのプロンプトよりも性能が向上することがわかった。
論文参考訳（メタデータ） (2023-08-14T17:17:21Z)
Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文参考訳（メタデータ） (2021-07-28T05:18:10Z)
ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文参考訳（メタデータ） (2021-07-23T22:41:28Z)
MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文参考訳（メタデータ） (2021-06-29T12:52:26Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。