論文の概要: Expertise Trees Resolve Knowledge Limitations in Collective Decision-Making

• arxiv url: http://arxiv.org/abs/2305.01063v2
• Date: Thu, 4 May 2023 07:09:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 11:57:47.629410
• Title: Expertise Trees Resolve Knowledge Limitations in Collective Decision-Making
• Title（参考訳）: 集合的意思決定における知識限界を解き明かす専門木
• Authors: Axel Abels, Tom Lenaerts, Vito Trianni, Ann Now\'e
• Abstract要約: 我々は、問題空間を異なる専門分野に分割するものとして、知識の深さと幅の変化をモデル化する。 ここでは、問題インスタンスと専門家の知識の関係を明確に考慮し、適応する新しいアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 2.924868086534434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Experts advising decision-makers are likely to display expertise which varies as a function of the problem instance. In practice, this may lead to sub-optimal or discriminatory decisions against minority cases. In this work we model such changes in depth and breadth of knowledge as a partitioning of the problem space into regions of differing expertise. We provide here new algorithms that explicitly consider and adapt to the relationship between problem instances and experts' knowledge. We first propose and highlight the drawbacks of a naive approach based on nearest neighbor queries. To address these drawbacks we then introduce a novel algorithm - expertise trees - that constructs decision trees enabling the learner to select appropriate models. We provide theoretical insights and empirically validate the improved performance of our novel approach on a range of problems for which existing methods proved to be inadequate.
• Abstract（参考訳）: 意思決定者を助言する専門家は、問題インスタンスの機能として異なる専門知識を表示する可能性が高い。 実際には、これは少数例に対する準最適または差別的な決定につながる可能性がある。 本研究では,問題空間を専門知識の異なる領域に分割する手法として,知識の深さと幅の変化をモデル化する。 ここでは,問題インスタンスと専門家の知識の関係を明示的に考慮し,適応する新たなアルゴリズムを提案する。 まず,最近傍クエリに基づくナイーブなアプローチの欠点を提案し,その問題点を強調する。 これらの欠点に対処するために、学習者が適切なモデルを選択することができる決定木を構成する新しいアルゴリズム、専門木を導入する。 我々は理論的な洞察を提供し、既存の手法が不十分であることが判明した様々な問題に対して、新しいアプローチの性能向上を実証的に検証する。

関連論文リスト

• Designing Algorithmic Recommendations to Achieve Human-AI Complementarity [2.4247752614854203]
  人間の意思決定を支援するレコメンデーションアルゴリズムの設計を形式化する。 我々は、潜在的なアウトカムフレームワークを使用して、ヒトの意思決定者による二元的治療選択に対するレコメンデーションの効果をモデル化する。 機械学習で実装可能な最小限の推奨アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-05-02T17:15:30Z)
• Domain Knowledge Injection in Bayesian Search for New Materials [0.0]
  探索空間における探索を調整するためのドメイン知識に対応するベイズ最適化(BO)アルゴリズムであるDKIBOを提案する。 材料設計タスクにおいて,ドメイン知識をうまく注入することで,提案手法の実用性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-11-26T01:55:55Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• On solving decision and risk management problems subject to uncertainty [91.3755431537592]
  不確実性は意思決定とリスク管理において広範囲にわたる課題である。 本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
  論文  参考訳（メタデータ） (2023-01-18T19:16:23Z)
• On the Complexity of Adversarial Decision Making [101.14158787665252]
  決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。 我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
  論文  参考訳（メタデータ） (2022-06-27T06:20:37Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Dealing with Expert Bias in Collective Decision-Making [4.588028371034406]
  本稿では,コンテキスト型マルチアームバンディット問題(CMAB)に基づく新たなアルゴリズムアプローチを提案する。 CMABにインスパイアされた新しいアプローチは、従来の適応アルゴリズムよりも高速に収束しながら、より高い最終性能を達成する。
  論文  参考訳（メタデータ） (2021-06-25T10:17:37Z)
• Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
  ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。 この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。 決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-02-23T08:07:22Z)
• Decision-Making Algorithms for Learning and Adaptation with Application to COVID-19 Data [46.71828464689144]
  本研究は適応と学習のための新しい意思決定アルゴリズムの開発に焦点を当てている。 重要な観察は、推定と決定の問題は構造的に異なるため、前者で成功したアルゴリズムは決定の問題を調整してもうまく機能しないということである。
  論文  参考訳（メタデータ） (2020-12-14T18:24:45Z)
• How fair can we go in machine learning? Assessing the boundaries of fairness in decision trees [0.12891210250935145]
  本稿では,バイアス緩和介入の統計的限界を探索するための最初の方法論を提案する。 機械学習において広く受け入れられている決定木分類器に焦点をあてる。 本手法は, 分類誤差の少ない精度で, 決定木モデルの最適化が可能であることを実験的に結論付けた。
  論文  参考訳（メタデータ） (2020-06-22T16:28:26Z)

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。