論文の概要: The Isotonic Mechanism for Exponential Family Estimation

• arxiv url: http://arxiv.org/abs/2304.11160v1
• Date: Fri, 21 Apr 2023 17:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 13:48:00.153870
• Title: The Isotonic Mechanism for Exponential Family Estimation
• Title（参考訳）: 指数的家族推定のための等速的メカニズム
• Authors: Yuling Yan, Weijie J. Su, Jianqing Fan
• Abstract要約: 2023年、ICML(International Conference on Machine Learning)は、複数の投稿者に対して、認識された品質に基づいて応募をランク付けするよう要求した。 我々は、これらの著者特定ランキングを用いて、機械学習および人工知能会議におけるピアレビューを強化する。 この機構は、著者特定ランキングに固執しながら、原譜と密接に整合した調整されたスコアを生成する。
• 参考スコア（独自算出の注目度）: 26.351782287953263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In 2023, the International Conference on Machine Learning (ICML) required authors with multiple submissions to rank their submissions based on perceived quality. In this paper, we aim to employ these author-specified rankings to enhance peer review in machine learning and artificial intelligence conferences by extending the Isotonic Mechanism (Su, 2021, 2022) to exponential family distributions. This mechanism generates adjusted scores closely align with the original scores while adhering to author-specified rankings. Despite its applicability to a broad spectrum of exponential family distributions, this mechanism's implementation does not necessitate knowledge of the specific distribution form. We demonstrate that an author is incentivized to provide accurate rankings when her utility takes the form of a convex additive function of the adjusted review scores. For a certain subclass of exponential family distributions, we prove that the author reports truthfully only if the question involves only pairwise comparisons between her submissions, thus indicating the optimality of ranking in truthful information elicitation. Lastly, we show that the adjusted scores improve dramatically the accuracy of the original scores and achieve nearly minimax optimality for estimating the true scores with statistical consistecy when true scores have bounded total variation.
• Abstract（参考訳）: 2023年、ICML(International Conference on Machine Learning)は、複数の投稿者に対して、認識された品質に基づいて応募をランク付けするよう要求した。 本稿では,これらの著者特定ランキングを用いて,等張機構(su,2021,2022)を指数関数的家族分布に拡張することにより,機械学習および人工知能会議におけるピアレビューを強化することを目的とする。 この機構は、著者特定ランキングに固執しながら、原譜と密接に整合した調整スコアを生成する。 指数関数分布の幅広いスペクトルに適用できるにもかかわらず、この機構の実装は特定の分布形式に関する知識を必要としない。 著者は,調整済みレビュースコアの凸付加関数の形式を取ると,正確なランク付けを行うようにインセンティブが付与される。 指数関数的家族分布のある種のサブクラスについて、著者が真に報告するのは、その質問が提出物間のペア比較のみを含む場合に限り、真に情報を引き出す際のランク付けの最適性を示す。 最後に、調整されたスコアが元のスコアの精度を劇的に改善し、真のスコアが総変動の有界な場合、統計的成分で真のスコアを推定する最小限の最適性を達成することを示す。

関連論文リスト

• A Data Envelopment Analysis Approach for Assessing Fairness in Resource Allocation: Application to Kidney Exchange Programs [3.130722489512822]
  本稿では,データ包絡分析(Data Envelopment Analysis, DEA)を利用した公正度評価手法を提案する。 我々は、ウェイトリスト期間、キドニードナープロファイルスコアによるアクセスフェアネス、グラフトライフスパンによるアウトカムフェアネスを分析した。 本研究は,複雑な資源配分システムにおける公平性を評価するための厳密な枠組みを提供する。
  論文  参考訳（メタデータ） (2024-09-18T15:17:43Z)
• Analysis of the ICML 2023 Ranking Data: Can Authors' Opinions of Their Own Papers Assist Peer Review in Machine Learning? [52.00419656272129]
  我々は2023年の国際機械学習会議(ICML)で実験を行った。 我々はそれぞれ2,592件の応募書を含む1,342件のランク付けを受けた。 著者によるランキングを用いて生のレビュースコアを校正するイソトニックメカニズムに注目した。
  論文  参考訳（メタデータ） (2024-08-24T01:51:23Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)
• Kernel Density Estimation for Multiclass Quantification [52.419589623702336]
  量子化は、クラス有病率の正確な予測値を取得することに関する教師付き機械学習タスクである。 分散マッチング(DM)アプローチは、これまでの文献で提案されている定量化手法の中で、最も重要なファミリーの1つである。 カーネル密度推定(KDE)によりモデル化した多変量密度に基づく新しい表現機構を提案する。
  論文  参考訳（メタデータ） (2023-12-31T13:19:27Z)
• Being Aware of Localization Accuracy By Generating Predicted-IoU-Guided Quality Scores [24.086202809990795]
  予測IoUにより誘導される局所化品質スコアを取得するためのエレガントなLQEブランチを開発する。 CLQと呼ばれる新しい1段検出器が提案されている。 実験の結果、CLQは47.8 APと11.5fpsの精度で最先端の性能を達成した。
  論文  参考訳（メタデータ） (2023-09-23T05:27:59Z)
• Conformalized Fairness via Quantile Regression [8.180169144038345]
  本稿では,デモグラフィックパリティの公正性要件に基づき,実数値量子関数を学習するための新しいフレームワークを提案する。 フェア量子化法により構築された誘導予測区間に対する分布自由被覆の理論的保証と正確な公正性を確立する。 本研究は, フェアネス・正確性トレードオフの基盤となるメカニズムを, 幅広い社会的・医療的応用において明らかにする能力を示すものである。
  論文  参考訳（メタデータ） (2022-10-05T04:04:15Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• You Are the Best Reviewer of Your Own Papers: An Owner-Assisted Scoring Mechanism [17.006003864727408]
  イソトニックメカニズムは、所有者が提供にインセンティブを与えている特定の情報を活用することで、不正確な生のスコアを改善する。 凸最適化問題を解くことにより,各項目の調整点を報告する。 私は、この所有者支援機構によって提供される調整されたスコアが、レビュアーによって提供される生のスコアよりもかなり正確であることを証明します。
  論文  参考訳（メタデータ） (2021-10-27T22:11:29Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)

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。