論文の概要: Robust Consensus in Ranking Data Analysis: Definitions, Properties and
Computational Issues
- arxiv url: http://arxiv.org/abs/2303.12878v1
- Date: Wed, 22 Mar 2023 19:36:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 16:38:14.648390
- Title: Robust Consensus in Ranking Data Analysis: Definitions, Properties and
Computational Issues
- Title（参考訳）: ランキングデータ分析におけるロバストコンセンサス:定義、性質、計算問題
- Authors: Morgane Goibert, Cl\'ement Calauz\`enes, Ekhine Irurozki, St\'ephan
Cl\'emen\c{c}on
- Abstract要約: 本稿では,コンセンサスランク付けのための頑健性の概念と専用統計手法を紹介する。
本稿では、コンセンサスランキングに合わせた、一般的なブレークダウンポイントの概念の具体的な拡張を提案する。
- 参考スコア（独自算出の注目度）: 2.867517731896504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the issue of robustness in AI systems becomes vital, statistical learning
techniques that are reliable even in presence of partly contaminated data have
to be developed. Preference data, in the form of (complete) rankings in the
simplest situations, are no exception and the demand for appropriate concepts
and tools is all the more pressing given that technologies fed by or producing
this type of data (e.g. search engines, recommending systems) are now massively
deployed. However, the lack of vector space structure for the set of rankings
(i.e. the symmetric group $\mathfrak{S}_n$) and the complex nature of
statistics considered in ranking data analysis make the formulation of
robustness objectives in this domain challenging. In this paper, we introduce
notions of robustness, together with dedicated statistical methods, for
Consensus Ranking the flagship problem in ranking data analysis, aiming at
summarizing a probability distribution on $\mathfrak{S}_n$ by a median ranking.
Precisely, we propose specific extensions of the popular concept of breakdown
point, tailored to consensus ranking, and address the related computational
issues. Beyond the theoretical contributions, the relevance of the approach
proposed is supported by an experimental study.
- Abstract（参考訳）: aiシステムのロバスト性の問題が不可欠になると、部分的に汚染されたデータが存在する場合でも信頼できる統計学習技術を開発する必要がある。
最も単純な状況における(完全な)ランキングの形式での選好データは例外ではなく、このタイプのデータ(例えば、検索エンジン、推奨システム)によって供給される技術が大規模にデプロイされていることを考えると、適切な概念やツールの需要はより強く迫られている。
しかしながら、ランキングの集合に対するベクトル空間構造(例えば対称群 $\mathfrak{s}_n$)の欠如と、ランキングデータ解析で考慮される統計の複雑な性質は、この領域における堅牢性目標の定式化を困難にしている。
本稿では,データ分析におけるフラッグシップ問題であるConsensus Rankingを,中央値ランキングで$\mathfrak{S}_n$の確率分布を要約することを目的とした,厳密性の概念と専用統計手法を紹介する。
具体的には,コンセンサスランキングに合わせた,一般的なブレークダウンポイントの概念の具体的拡張を提案し,関連する計算問題に対処する。
理論的貢献の他に、提案手法の妥当性は実験的研究によって支持されている。
関連論文リスト
- Debiasing Synthetic Data Generated by Deep Generative Models [40.165159490379146]
合成データ生成のための深部生成モデル(DGM)は、合成データ解析においてバイアスと不正確性を誘導する。
本稿では,DGMが生成する合成データを,特定のデータ解析のためにターゲットとする新たな戦略を提案する。
提案手法は, 偏差を考慮し, 収束率を向上し, 容易に近似された大きなサンプル分散を持つ推定器の計算を容易にする。
論文 参考訳（メタデータ） (2024-11-06T19:24:34Z) - Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。
ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。
提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
論文 参考訳（メタデータ） (2024-07-02T03:31:21Z) - DAGnosis: Localized Identification of Data Inconsistencies using
Structures [73.39285449012255]
機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。
我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。
我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
論文 参考訳（メタデータ） (2024-02-26T11:29:16Z) - Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。
特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。
ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文 参考訳（メタデータ） (2022-10-04T15:22:39Z) - Two-Stage Robust and Sparse Distributed Statistical Inference for
Large-Scale Data [18.34490939288318]
本稿では,高次元データやオフレーヤによって汚染される可能性のある大規模データを含む設定において,統計的推論を行うという課題に対処する。
空間性を促進することによって高次元モデルに対処する2段階の分散および頑健な統計的推論手法を提案する。
論文 参考訳（メタデータ） (2022-08-17T11:17:47Z) - Statistical Depth Functions for Ranking Distributions: Definitions,
Statistical Learning and Applications [3.7564482287844205]
中央値/合意の概念は、ランキングデータの統計的要約を提供するために広く研究されてきた。
本論文の目的は,そのような量に基づいて,量子論,階数,統計学的な手順のアナログを定義することである。
論文 参考訳（メタデータ） (2022-01-20T10:30:56Z) - Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。
本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文 参考訳（メタデータ） (2021-11-12T06:36:40Z) - Evaluating Model Robustness and Stability to Dataset Shift [7.369475193451259]
機械学習モデルの安定性を解析するためのフレームワークを提案する。
本手法では,アルゴリズムが性能の悪い分布を決定するために,元の評価データを用いる。
我々は,アルゴリズムの性能を"Worst-case"分布で推定する。
論文 参考訳（メタデータ） (2020-10-28T17:35:39Z) - General stochastic separation theorems with optimal bounds [68.8204255655161]
分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。
エラーやエラーのクラスタは、残りのデータから分離することができる。
AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
論文 参考訳（メタデータ） (2020-10-11T13:12:41Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。