論文の概要: Distributed course allocation with asymmetric friendships

• arxiv url: http://arxiv.org/abs/2309.09684v1
• Date: Mon, 18 Sep 2023 11:42:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 13:50:47.706352
• Title: Distributed course allocation with asymmetric friendships
• Title（参考訳）: 非対称な友情を持つ分散コース割り当て
• Authors: Ilya Khakhiashvili, Lihi Dery and Tal Grinshpoun
• Abstract要約: 授業を受けるかどうかについての学生の判断は、友人が授業を受けるかどうかに強く影響される。 本稿では,学生間の友情関係を経路割当機構が考慮し,一意に分散したソリューションを提供する方法について考察する。
• 参考スコア（独自算出の注目度）: 3.4069627091757173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Students' decisions on whether to take a class are strongly affected by whether their friends plan to take the class with them. A student may prefer to be assigned to a course they likes less, just to be with their friends, rather than taking a more preferred class alone. It has been shown that taking classes with friends positively affects academic performance. Thus, academic institutes should prioritize friendship relations when assigning course seats. The introduction of friendship relations results in several non-trivial changes to current course allocation methods. This paper explores how course allocation mechanisms can account for friendships between students and provide a unique, distributed solution. In particular, we model the problem as an asymmetric distributed constraint optimization problem and develop a new dedicated algorithm. Our extensive evaluation includes both simulated data and data derived from a user study on 177 students' preferences over courses and friends. The results show that our algorithm obtains high utility for the students while keeping the solution fair and observing courses' seat capacity limitations.
• Abstract（参考訳）: 授業を受けるかどうかについての学生の判断は、友人が授業を受けるかどうかに強く影響される。 学生は、より好みのクラスを独学するよりも、友達といることだけよりも、自分の好きなコースに割り当てられることを好むかもしれない。 友人との授業は学業成績に好影響を与えることが示されている。 したがって、学術機関はコースシートを割り当てる際に友情関係を優先すべきである。 友情関係の導入は、現在のコース割り当て方法にいくつかの非自明な変更をもたらす。 本稿では,学生間の友情を,コース割当メカニズムがいかに説明し,ユニークな分散ソリューションを提供するかを検討する。 特に,この問題を非対称分散制約最適化問題としてモデル化し,新しい専用アルゴリズムを開発した。 広範な評価には,授業や友人に対する177人の学生の嗜好に関するユーザ調査から得られたシミュレーションデータとデータが含まれている。 その結果, 解法を公平に保ちながら, 授業の座席容量制限を観察しながら, 学生に高い実用性が得られた。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• FedHP: Heterogeneous Federated Learning with Privacy-preserving [0.0]
  フェデレーション学習は分散機械学習環境であり、パラメータを交換するだけで、クライアントがプライベートデータを共有せずにコラボレーティブなトレーニングを完了できるようにする。 本稿では,事前学習されたモデルをバックボーンとして,完全に接続されたレイヤをヘッドとして構成する,新しいフェデレーション学習手法を提案する。 勾配空間に基づくパラメータではなく、クラスの埋め込みベクトルを共有することで、クライアントはプライベートデータにより適応でき、サーバとクライアント間の通信においてより効率的になります。
  論文  参考訳（メタデータ） (2023-01-27T13:32:17Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Machine Learning-Powered Course Allocation [13.35443972283229]
  現在の最先端のメカニズムであるCourse Matchには、大きな欠点がある。 我々はMLCM(Machine Learning-powered Course Match)という新しいメカニズムを導入する。 MLCMのコアとなるのは、機械学習を利用した好み推論モジュールで、生徒の報告ミスを軽減するために、パーソナライズされたペアワイズ比較クエリを反復的に要求する。
  論文  参考訳（メタデータ） (2022-10-03T14:11:33Z)
• Improved Robust Algorithms for Learning with Discriminative Feature Feedback [21.58493386054356]
  識別的特徴フィードバック(英: Discriminative Feature Feedback)は、人間の教師によって提供される特徴説明に基づく対話型学習のためのプロトコルである。 我々は、識別的特徴フィードバックモデルのための、新しい堅牢な対話型学習アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-09-08T12:11:12Z)
• Smoothed Online Learning is as Easy as Statistical Learning [77.00766067963195]
  この設定では、最初のオラクル効率、非回帰アルゴリズムを提供する。 古典的な設定で関数クラスが学習可能な場合、文脈的包帯に対するオラクル効率のよい非回帰アルゴリズムが存在することを示す。
  論文  参考訳（メタデータ） (2022-02-09T19:22:34Z)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。