論文の概要: Robust Decision Aggregation with Second-order Information

• arxiv url: http://arxiv.org/abs/2311.14094v1
• Date: Thu, 23 Nov 2023 16:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 23:04:21.717148
• Title: Robust Decision Aggregation with Second-order Information
• Title（参考訳）: 2次情報を用いたロバスト決定集約
• Authors: Yuqi Pan, Zhaohua Chen, Yuqing Kong
• Abstract要約: 2人の専門家による意思決定集約問題について検討し、それぞれがプライベートシグナルを観察した後に2項の推薦を行う。 信号と状態の合同情報構造を知らないエージェントは、専門家の勧告を見て、アクションを実際の状態と一致させることを目指している。 本シナリオでは,2次情報の追加によるアグリゲーション向上の可能性を検討した。
• 参考スコア（独自算出の注目度）: 4.021926055330022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a decision aggregation problem with two experts who each make a binary recommendation after observing a private signal about an unknown binary world state. An agent, who does not know the joint information structure between signals and states, sees the experts' recommendations and aims to match the action with the true state. Under the scenario, we study whether supplemented additionally with second-order information (each expert's forecast on the other's recommendation) could enable a better aggregation. We adopt a minimax regret framework to evaluate the aggregator's performance, by comparing it to an omniscient benchmark that knows the joint information structure. With general information structures, we show that second-order information provides no benefit. No aggregator can improve over a trivial aggregator, which always follows the first expert's recommendation. However, positive results emerge when we assume experts' signals are conditionally independent given the world state. When the aggregator is deterministic, we present a robust aggregator that leverages second-order information, which can significantly outperform counterparts without it. Second, when two experts are homogeneous, by adding a non-degenerate assumption on the signals, we demonstrate that random aggregators using second-order information can surpass optimal ones without it. In the remaining settings, the second-order information is not beneficial. We also extend the above results to the setting when the aggregator's utility function is more general.
• Abstract（参考訳）: 我々は,未知のバイナリ世界状態に関するプライベートシグナルを観察した後に,それぞれ二進的推薦を行う2人の専門家による意思決定集約問題を考察する。 信号と状態の合同情報構造を知らないエージェントは、専門家の勧告を見て、アクションを実際の状態と一致させることを目指している。 本シナリオでは,2次情報(各専門家の推薦予測)を補足することで,より優れた集計が可能かどうかを検討する。 我々は,複合的な情報構造を知っている全知的なベンチマークと比較することにより,アグリゲータのパフォーマンスを評価するために,minimax regretフレームワークを採用する。 一般的な情報構造では、二階情報には利益がないことを示す。 簡単なアグリゲータよりも改善できるアグリゲータは存在しない。 しかし、専門家の信号が世界状態から条件的に独立していると仮定すると、ポジティブな結果が得られる。 本稿では,アグリゲータが決定論的である場合,第2次情報を活用するロバストアグリゲータを提案する。 第2に、信号に非退化仮定を加えることによって、2次情報を用いたランダムアグリゲータが、それなしで最適なアグリゲータを超越できることを実証する。 残りの設定では、2階情報は有益ではない。 また、アグリゲータのユーティリティ関数がより一般的な場合に、上記の結果を設定に拡張する。

関連論文リスト

• Robust Decision Aggregation with Adversarial Experts [4.751372843411884]
  我々は、真理と敵の双方の専門家が存在する場合、二項決定集約問題を考える。 最悪の情報構造下では,後悔を最小限に抑える最適なアグリゲータが見つかる。
  論文  参考訳（メタデータ） (2024-03-13T03:47:08Z)
• Algorithmic Robust Forecast Aggregation [10.368399274445034]
  情報構造のファミリーを考えると、ロバストな予測アグリゲータは最小限の後悔を伴うアグリゲータを見つけることを目的としている。 本フレームワークは,可能な情報構造の有限族を含む一般情報集約のための効率的な近似スキームを提供する。
  論文  参考訳（メタデータ） (2024-01-31T11:02:45Z)
• Pure Exploration under Mediators' Feedback [63.56002444692792]
  マルチアームバンディット(Multi-armed bandits)は、各インタラクションステップにおいて、学習者が腕を選択し、報酬を観察する、シーケンシャルな意思決定フレームワークである。 本稿では,学習者が仲介者の集合にアクセスできるシナリオについて考察する。 本稿では,学習者には仲介者の方針が知られていると仮定して,最適な腕を発見するための逐次的意思決定戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-29T18:18:21Z)
• Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
  クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。 我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。 意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
  論文  参考訳（メタデータ） (2023-01-03T13:42:38Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Learning Weakly-Supervised Contrastive Representations [104.42824068960668]
  弱教師付きコントラスト学習手法を2段階提案する。 第1段階は、その補助情報に従ってデータをクラスタ化することである。 2つ目のステージは、同じクラスタ内で同様の表現を学習し、異なるクラスタからのデータに対して異なる表現を学習することである。
  論文  参考訳（メタデータ） (2022-02-14T12:57:31Z)
• Are You Smarter Than a Random Expert? The Robust Aggregation of Substitutable Signals [14.03122229316614]
  本稿では,幅広い情報構造から専門家の知識を逆選択する文脈において,予測集約の研究を開始する。 投射的代替条件の下では、専門家の予測の平均値を取得することは、ランダムな専門家を信頼する戦略によって大幅に改善される。 本研究では, 専門家の予測を平均化し, 一定の要因によって前者から遠ざかることで平均を極端に推し進めることにより, 集積器の性能保証は, 事前の知識がなくても実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-04T20:50:30Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• A Duet Recommendation Algorithm Based on Jointly Local and Global Representation Learning [15.942495330390463]
  異種情報から局所的およびグローバルな表現学習を捉えるための知識認識に基づく推薦アルゴリズムを提案する。 局所的および大域的表現は、注意機構を持つグラフ畳み込みネットワークによって共同で学習されるので、最終的な推奨確率は、完全に接続されたニューラルネットワークによって計算される。
  論文  参考訳（メタデータ） (2020-12-03T01:52:14Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)

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。