論文の概要: Fair and skill-diverse student group formation via constrained k-way graph partitioning

• arxiv url: http://arxiv.org/abs/2301.09984v1
• Date: Thu, 12 Jan 2023 14:02:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-29 13:39:02.274092
• Title: Fair and skill-diverse student group formation via constrained k-way graph partitioning
• Title（参考訳）: 制約付きk-wayグラフ分割によるフェアおよびスキル多様性学生グループ形成
• Authors: Alexander Jenkins, Imad Jaimoukha, Ljubisa Stankovic, Danilo Mandic
• Abstract要約: 本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
• 参考スコア（独自算出の注目度）: 65.29889537564455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forming the right combination of students in a group promises to enable a powerful and effective environment for learning and collaboration. However, defining a group of students is a complex task which has to satisfy multiple constraints. This work introduces an unsupervised algorithm for fair and skill-diverse student group formation. This is achieved by taking account of student course marks and sensitive attributes provided by the education office. The skill sets of students are determined using unsupervised dimensionality reduction of course mark data via the Laplacian eigenmap. The problem is formulated as a constrained graph partitioning problem, whereby the diversity of skill sets in each group are maximised, group sizes are upper and lower bounded according to available resources, and `balance' of a sensitive attribute is lower bounded to enforce fairness in group formation. This optimisation problem is solved using integer programming and its effectiveness is demonstrated on a dataset of student course marks from Imperial College London.
• Abstract（参考訳）: グループ内の学生の適切な組み合わせを形成することは、学習とコラボレーションのための強力で効果的な環境を実現することを約束する。 しかし、学生のグループを定義することは複雑なタスクであり、複数の制約を満たす必要がある。 本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 これは、学生のコースマークと教育機関が提供する微妙な属性を考慮に入れることで達成される。 学生のスキルセットは、ラプラシアン固有写像を介してコースマークデータの教師なし次元化によって決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性を最大化し、利用可能なリソースに応じてグループサイズを上下境界とし、センシティブ属性の「バランス」を低くし、グループ形成において公平性を実現する。 この最適化問題は整数プログラミングを用いて解き、インペリアル・カレッジ・ロンドンの学生コース・マークのデータセット上でその効果を示す。

関連論文リスト

• Data Similarity-Based One-Shot Clustering for Multi-Task Hierarchical Federated Learning [8.37314799155978]
  本研究では,データの類似性に基づいてユーザを効果的に識別し,グループ化できるワンショットクラスタリングアルゴリズムを提案する。 提案アルゴリズムはクラスタリングプロセスを強化するだけでなく,プライバシの懸念や通信のオーバーヘッド,学習モデルや損失関数の振る舞いに関する事前知識の必要性といった課題も克服する。
  論文  参考訳（メタデータ） (2024-10-03T17:51:21Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Multiple Fairness and Cardinality constraints for Students-Topics Grouping Problem [14.051419173519308]
  グループワークは、学生が好みに基づいてトピック固有のグループに分けられる教育環境において一般的な活動である。 我々は,学生を重複しないグループに分割するマルチフェア・キャパシタント(MFC)グループ問題を導入する。 そこで本研究では,グループ化のための手法とknapsackに基づく手法の2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-20T17:06:10Z)
• Addressing Missing Sources with Adversarial Support-Matching [8.53946780558779]
  そこで本研究では,データ内の2段階階層の2段階に,データの欠如が関係しているシナリオについて検討する。 アルゴリズム的公正性から保護された群の概念に触発され、この第2階層によって彫られた分割を「部分群」と呼ぶ。 私たちは、サブグループに不変な表現を学ぶために、"deployment set"と呼ばれる追加で多様だがラベルなしのデータセットを使用します。
  論文  参考訳（メタデータ） (2022-03-24T16:19:19Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• A Machine Learning Approach to Assess Student Group Collaboration Using Individual Level Behavioral Cues [8.840643644938156]
  グループ全体のコラボレーション品質を自動的に決定するために,簡単なディープラーニングに基づく機械学習モデルを提案する。 1) 限られたトレーニングデータ、2) クラスラベルの不均衡が深刻である。
  論文  参考訳（メタデータ） (2020-07-13T20:15:29Z)

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。