論文の概要: Learning Choice Functions with Gaussian Processes
- arxiv url: http://arxiv.org/abs/2302.00406v1
- Date: Wed, 1 Feb 2023 12:46:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 17:23:42.498777
- Title: Learning Choice Functions with Gaussian Processes
- Title（参考訳）: ガウス過程による選択関数の学習
- Authors: Alessio Benavoli, Dario Azzimonti, Dario Piga
- Abstract要約: 消費者理論において、利用可能なオブジェクトを選好関係でランク付けすると、個々の選択の最も一般的な記述が得られる。
本稿では,個人が設定値の選択を表現できる選択モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.225596179391365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In consumer theory, ranking available objects by means of preference
relations yields the most common description of individual choices. However,
preference-based models assume that individuals: (1) give their preferences
only between pairs of objects; (2) are always able to pick the best preferred
object. In many situations, they may be instead choosing out of a set with more
than two elements and, because of lack of information and/or incomparability
(objects with contradictory characteristics), they may not able to select a
single most preferred object. To address these situations, we need a
choice-model which allows an individual to express a set-valued choice. Choice
functions provide such a mathematical framework. We propose a Gaussian Process
model to learn choice functions from choice-data. The proposed model assumes a
multiple utility representation of a choice function based on the concept of
Pareto rationalization, and derives a strategy to learn both the number and the
values of these latent multiple utilities. Simulation experiments demonstrate
that the proposed model outperforms the state-of-the-art methods.
- Abstract（参考訳）: 消費者理論において、利用可能なオブジェクトを選好関係でランク付けすると、個々の選択の最も一般的な記述が得られる。
しかし、嗜好に基づくモデルでは、(1) 対象のペア間でのみ好みを与える; (2) 常に最も好まれる対象を選択することができる。
多くの場合、彼らは2つ以上の要素からなる集合から選択する代わりに、情報や非互換性(矛盾する特性を持つオブジェクト)の欠如により、最も好まれる1つのオブジェクトを選択できない可能性がある。
これらの状況に対処するには、個人が設定された選択を表現できる選択モデルが必要である。
選択関数はそのような数学的枠組みを提供する。
選択データから選択関数を学習するためのガウス過程モデルを提案する。
提案モデルでは,Pareto合理化の概念に基づく選択関数の多目的表現を仮定し,これらの潜伏する複数のユーティリティの数と値の両方を学習する戦略を導出する。
シミュレーション実験により,提案モデルが最先端の手法より優れていることが示された。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Differentiating Choices via Commonality for Multiple-Choice Question Answering [54.04315943420376]
複数選択の質問応答は、正しい答えを選択するための貴重な手がかりを提供することができる。
既存のモデルでは、それぞれの選択を別々にランク付けし、他の選択によって提供されるコンテキストを見渡すことが多い。
本稿では,DCQAと呼ばれる共通性を識別・排除することで,選択を識別する新しいモデルを提案する。
論文 参考訳（メタデータ） (2024-08-21T12:05:21Z) - DsDm: Model-Aware Dataset Selection with Datamodels [81.01744199870043]
標準的なプラクティスは、データ品質という人間の考え方にマッチする例をフィルタリングすることです。
質の高い"データソースとの類似性に応じた選択は、ランダムに選択するデータに比べてパフォーマンスが向上しない(さらに傷つく)可能性がある。
我々のフレームワークは、データ品質に関する手作業による概念を回避し、学習プロセスがターゲットタスクの予測にデータポイントをトレーニングする方法を明確にモデル化する。
論文 参考訳（メタデータ） (2024-01-23T17:22:00Z) - Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。
この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。
そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T17:44:56Z) - An Interpretable Determinantal Choice Model for Subset Selection [0.0]
本稿では,直観的ランダム効用モデルと抽出可能な決定点プロセスの2つのサブセット選択モデルを結合する。
両世界のベストを享受する決定的選択モデルを特定する。
シミュレーション研究により,データから負の依存関係の連続体を学習できることが検証され,LoRaネットワークにおける無線干渉に関する新たな知見が得られた。
論文 参考訳（メタデータ） (2023-02-22T16:26:38Z) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T23:58:19Z) - Choice functions based multi-objective Bayesian optimisation [1.0742675209112622]
本稿では,多目的ベイズ最適化のための新しいフレームワークを提案する。
ガウス過程をfの上に配置し、選択データに対する新しい確率モデルから導出することにより、選択関数学習のためのベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2021-10-15T17:24:03Z) - True Few-Shot Learning with Language Models [78.42578316883271]
ホールドアウト例が利用できない場合, LMの少数ショット能力を評価する。
以上の結果から,先行研究はLMの真少ショット能力を大幅に過大評価していたことが示唆された。
論文 参考訳（メタデータ） (2021-05-24T17:55:51Z) - Choice Set Confounding in Discrete Choice [29.25891648918572]
既存の学習方法は、選択セットの割り当てがデータにどう影響するかを見落とします。
我々は因果推論から個別選択設定にメソッドを適応させる。
ホテル予約における選択集合の整理は,合理的な有効性最大化とより一致していることを示す。
論文 参考訳（メタデータ） (2021-05-17T15:39:02Z) - Learning Choice Functions via Pareto-Embeddings [3.1410342959104725]
本稿では,各オブジェクトが特徴ベクトルで表現される対象の集合から選択することの難しさを考察する。
本稿では,この課題に適した識別可能な損失関数を最小化する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-14T09:34:44Z) - True to the Model or True to the Data? [9.462808515258464]
この選択は、モデルに真であることが望ましいか、データに真であることが望ましいかどうかに起因している、と私たちは主張する。
異なる価値関数の選択がそれぞれのシナリオでどのように機能するか、そして、モデル選択によってどのように属性が影響されるかを示す。
論文 参考訳（メタデータ） (2020-06-29T17:54:39Z)
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。