論文の概要: Thou Shalt not Pick all Items if Thou are First: of Strategyproof and Fair Picking Sequences

• arxiv url: http://arxiv.org/abs/2301.06086v1
• Date: Wed, 11 Jan 2023 13:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-29 14:17:21.802892
• Title: Thou Shalt not Pick all Items if Thou are First: of Strategyproof and Fair Picking Sequences
• Title（参考訳）: Thou Shalt not pick allItems if Thou is First: of Strategyproof and Fair Picking Sequences
• Authors: Sylvain Bouveret, Hugo Gilbert, J\'er\^ome Lang, Guillaume M\'erou\'e
• Abstract要約: 受信した項目数と順序の優先順位のバランスをとる方法について検討する。 パラメータの有意義な選択については、最適なシーケンスを簡単な方法で計算できることが示される。
• 参考スコア（独自算出の注目度）: 7.2834950390171205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When allocating indivisible items to agents, it is known that the only strategyproof mechanisms that satisfy a set of rather mild conditions are constrained serial dictatorships: given a fixed order over agents, at each step the designated agent chooses a given number of items (depending on her position in the sequence). With these rules, also known as non-interleaving picking sequences, agents who come earlier in the sequence have a larger choice of items. However, this advantage can be compensated by a higher number of items received by those who come later. How to balance priority in the sequence and number of items received is a nontrivial question. We use a previous model, parameterized by a mapping from ranks to scores, a social welfare functional, and a distribution over preference profiles. For several meaningful choices of parameters, we show that the optimal sequence can be computed in polynomial time. Last, we give a simple procedure for eliciting scoring vectors and we study the impact of the assignment from agents to positions on the ex-post social welfare.
• Abstract（参考訳）: 不特定項目をエージェントに割り当てる際、比較的穏やかな条件を満たす唯一の戦略防御機構が連続独裁であり、各ステップにおいて指定されたエージェントが与えられたアイテム数(シーケンスにおける彼女の位置に依存する)を選択する。 これらの規則は、非インターリーブピッキングシーケンスとしても知られており、シーケンスの早い段階で来るエージェントはアイテムの選択肢を大きくする。 しかし、この利点は後から来る者によって受け取られるアイテムの数が増えることで補うことができる。 シーケンスと受信したアイテム数で優先順位のバランスをとる方法は、簡単な質問ではない。 これまでのモデルでは,ランクからスコアへのマッピング,社会福祉機能,選好プロファイル上の分布によってパラメータ化されている。 パラメータの有意義な選択について、最適列は多項式時間で計算可能であることを示す。 最後に,評価ベクトルを抽出するための簡単な手順を提示し,エージェントから職種への割り当てがポスト社会福祉に与える影響について検討する。

関連論文リスト

• Multi-Weight Ranking for Multi-Criteria Decision Making [0.0]
  統計値からコーン分布関数を多基準決定ツールに変換する。 ランキング関数はその後拡張され、設定された好みに対する一元的な指標が提供される。 機械学習の潜在的な応用について概説する。
  論文  参考訳（メタデータ） (2023-12-04T11:13:42Z)
• 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)
• Diversified Recommendations for Agents with Adaptive Preferences [9.578114969867258]
  エージェントが選択するコンテンツのメニューを推薦するプラットフォームを訪れる場合、アイテムの選択は特定の好みだけでなく、プラットフォームとの事前の関わりにも依存する。 RecommenderはAgensに$k$アイテムのメニューを提示し、未知の好みモデルに従ってメニュー内の1つのアイテムを選択する。 その後、レコメンダーはエージェントの選択したアイテムを観察し、アイテムの報酬の盗聴フィードバックを受け取る。 選択したアイテムからの報酬の最適化に加えて、リコメンダーは選択したアイテムの合計分布が十分に高いエントロピーを持つことを保証する必要がある。
  論文  参考訳（メタデータ） (2022-09-20T16:12:22Z)
• Reforming an Envy-Free Matching [3.615389896666528]
  我々は,各エージェントが単一項目を割り当てられたときに,うらやましのないマッチングを再構築する問題を考察する。 我々は,エージェントの項目を,エージェントが好む指定されていない項目と交換する操作を考慮し,この操作は別のうらやましのないマッチングをもたらす。
  論文  参考訳（メタデータ） (2022-07-06T13:03:49Z)
• Learning over No-Preferred and Preferred Sequence of Items for Robust Recommendation (Extended Abstract) [69.50145858681951]
  本稿では,暗黙のフィードバックよりも大規模レコメンダシステム(RS)を訓練するための理論的に支持された逐次戦略を提案する。 本稿では,モーメント法と勾配法のいずれかを用いてモデルパラメータを更新する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-26T22:29:43Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• Adaptive Cascade Submodular Maximization [19.29174615532181]
  本研究では,適応条件下でのカスケード部分モジュラー問題について検討する。 本研究の目的は,選択項目の有効性を最大化するために,選択項目の最適シーケンスを特定することである。
  論文  参考訳（メタデータ） (2020-07-07T16:21:56Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。