Fugu-MT 論文翻訳(概要): Externalities in Chore Division

論文の概要: Externalities in Chore Division

arxiv url: http://arxiv.org/abs/2303.12446v2
Date: Sat, 24 Feb 2024 07:47:49 GMT
ステータス: 処理完了
システム内更新日: 2024-02-28 00:47:19.509011
Title: Externalities in Chore Division
Title（参考訳）: 雑用課の外部性
Authors: Mohammad Azharuddin Sanpui
Abstract要約: 雑用分割問題は、不均一で望ましくないリソースを複数のエージェントの間で公平に分割することをシミュレートする。まず、外部性を考慮して古典的なモデルを拡張しながら、古典的な比例性やエンビーフリーネスの概念の一般化を実証する。
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: The chore division problem simulates the fair division of a heterogeneous, undesirable resource among several agents. In the fair division of chores, each agent only gets the disutility from its own piece. Agents may, however, also be concerned with the pieces given to other agents; these externalities naturally appear in fair division situations. We first demonstrate the generalization of the classical concepts of proportionality and envy-freeness while extending the classical model by taking externalities into account.
Abstract（参考訳）: chore分割問題は、複数のエージェント間で不均一で望ましくないリソースの公平な分割をシミュレートする。公正なコアの分割では、各エージェントは自身のピースからのみ不利を得る。しかし、エージェントは、他のエージェントに与えられたピースにも関心を持ち、これらの外部性は、当然公平な分割状況に現れる。まず,外部性を考慮した古典モデルの拡張を行いながら,比例性とエンビー・フリーネスという古典的概念の一般化を実証する。

関連論文リスト

Using Protected Attributes to Consider Fairness in Multi-Agent Systems [7.061167083587786]
マルチエージェントシステム(MAS)の公正性は、システムのルール、エージェントの振る舞い、それらの特性など、さまざまな要因に依存する。機械学習に基づく意思決定におけるバイアスに対処するアルゴリズムフェアネスの研究から着想を得た。我々は、アルゴリズムの公正度文献から、自己関心のあるエージェントが環境内で相互作用するマルチエージェント設定まで、公平度メトリクスを適応させる。
論文参考訳（メタデータ） (2024-10-16T08:12:01Z)
Learning to Mitigate Externalities: the Coase Theorem with Hindsight Rationality [62.18973784316808]
経済理論において、外部性の概念は、社会的福祉に影響を与えるプレイヤー間の相互作用から生じる間接的な効果を指す。我々の研究は、バーゲンが根底にあるゲームについて完全な知識を持っているという古典的な仮定を取り除いている。次に、プレイヤーが全福祉を最大化する交渉戦略を学習できるようにするための政策を設計する。
論文参考訳（メタデータ） (2024-06-28T11:00:53Z)
Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文参考訳（メタデータ） (2022-03-27T08:08:33Z)
Robust Allocations with Diversity Constraints [65.3799850959513]
エージェント値の積を最大化するナッシュ福祉規則は,多様性の制約が導入されたとき,一意にロバストな位置にあることを示す。また, ナッシュ・ウェルズによる保証は, 広く研究されているアロケーション・ルールのクラスにおいて, ほぼ最適であることを示す。
論文参考訳（メタデータ） (2021-09-30T11:09:31Z)
A mechanism of Individualistic Indirect Reciprocity with internal and external dynamics [0.0]
本研究は,エージェントの態度に着目した Nowak モデルと Sigmund モデルの新しい変種を提案する。エージェントベースモデルとデータサイエンス手法を用いて,エージェントの識別的スタンスがほとんどの場合優位であることを示す。また, 他者の評判が不明な場合には, 不均一性が高く, 協力需要が高い場合には, 異種社会が得られることも示唆した。
論文参考訳（メタデータ） (2021-05-28T23:28:50Z)
PROPm Allocations of Indivisible Goods to Multiple Agents [3.361550072563245]
本稿では,エージェント群間の不特定商品の集合を適切に割り当てる古典的問題を考察し,PROPmとして知られる近似比例性の概念に着目した。 PROPm割り当ては、エージェントや商品の数によらず、すべてのインスタンスに対して存在することが保証されていることを示す。
論文参考訳（メタデータ） (2021-05-24T15:34:33Z)
Provably Strict Generalisation Benefit for Equivariant Models [1.332560004325655]
不変/等価であるモデルのエンジニアリングは一般化を改善すると広く信じられている。本稿では,不変/等価モデルに対する一般化における最初の非ゼロ改善について述べる。
論文参考訳（メタデータ） (2021-02-20T12:47:32Z)
Learning to Incentivize Other Learning Agents [73.03133692589532]
我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
論文参考訳（メタデータ） (2020-06-10T20:12:38Z)
Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
論文参考訳（メタデータ） (2020-06-07T18:28:41Z)
Single-Side Domain Generalization for Face Anti-Spoofing [91.79161815884126]
対面型アンチスプーフィングの一般化能力を向上させるために,エンドツーエンドの単一側ドメイン一般化フレームワークを提案する。提案手法は,4つの公開データベース上での最先端手法よりも効果的かつ優れた手法である。
論文参考訳（メタデータ） (2020-04-29T09:32:54Z)
Jealousy-freeness and other common properties in Fair Division of Mixed Manna [2.28438857884398]
我々は、不特定項目をエージェントに割り当てる公平な区分について考察する。エージェントに良く、他の人に悪いアイテムを区別します。
論文参考訳（メタデータ） (2020-04-23T21:39:12Z)

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。