Fugu-MT 論文翻訳(概要): Clustered Mallows Model

論文の概要: Clustered Mallows Model

arxiv url: http://arxiv.org/abs/2403.12880v1
Date: Tue, 19 Mar 2024 16:25:30 GMT
ステータス: 処理完了
システム内更新日: 2024-03-20 13:24:34.152660
Title: Clustered Mallows Model
Title（参考訳）: クラスタ化マロースモデル
Authors: Luiza S. C. Piancastelli, Nial Friel,
Abstract要約: ランク付け(英語: Rankings)とは、評価者が実用性の順序を下げてアイテムを配置する実験で生じる選好のエレクテーションの一種である。本稿では,有名なMallows (Mallows, 1957) モデルを拡張し,項目不一致に対応する。クラスタド・マロズ・モデル(CMM)は、データから関係が学習される結びついた位置のマロズ分布と解釈できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Rankings are a type of preference elicitation that arise in experiments where assessors arrange items, for example, in decreasing order of utility. Orderings of n items labelled {1,...,n} denoted are permutations that reflect strict preferences. For a number of reasons, strict preferences can be unrealistic assumptions for real data. For example, when items share common traits it may be reasonable to attribute them equal ranks. Also, there can be different importance attributions to decisions that form the ranking. In a situation with, for example, a large number of items, an assessor may wish to rank at top a certain number items; to rank other items at the bottom and to express indifference to all others. In addition, when aggregating opinions, a judging body might be decisive about some parts of the rank but ambiguous for others. In this paper we extend the well-known Mallows (Mallows, 1957) model (MM) to accommodate item indifference, a phenomenon that can be in place for a variety of reasons, such as those above mentioned.The underlying grouping of similar items motivates the proposed Clustered Mallows Model (CMM). The CMM can be interpreted as a Mallows distribution for tied ranks where ties are learned from the data. The CMM provides the flexibility to combine strict and indifferent relations, achieving a simpler and robust representation of rank collections in the form of ordered clusters. Bayesian inference for the CMM is in the class of doubly-intractable problems since the model's normalisation constant is not available in closed form. We overcome this challenge by sampling from the posterior with a version of the exchange algorithm \citep{murray2006}. Real data analysis of food preferences and results of Formula 1 races are presented, illustrating the CMM in practical situations.
Abstract（参考訳）: ランク付け(英語: Rankings)とは、例えば実用性の順序を下げる際に、評価者がアイテムを配置する実験で生じる選好のエレクテーションの一種である。 1, ..., n} とラベル付けされた n 個の項目の順序付けは、厳密な選好を反映した置換である。多くの理由から、厳密な選好は実データに対する非現実的な仮定である。例えば、アイテムが共通の特徴を共有している場合、それらを同等のランクとみなすのが妥当かもしれない。また、ランキングを構成する決定には、異なる重要な属性が存在する可能性がある。例えば、多数の項目がある場合、評価者は特定の項目の上位にランクを付け、下位に他の項目をランク付けし、他のすべての項目への無関心を表すことを望んでいる。また、意見が合わさると、判断体は階級の一部に決定的だが、他人には曖昧である。本稿では、上記のような様々な理由で実施可能な事象であるアイテム不一致に対応するために、有名なマロ(Mallows, 1957)モデル(MM)を拡張し、類似項目の下位グループ化は、提案されたクラスタドマロ(CMM)モデル(CMM)を動機付けている。 CMMは、データから関係が学習される結びついた位置のマロ分布と解釈できる。 CMMは厳密で無関心な関係を組み合わせる柔軟性を提供し、順序付けられたクラスタの形式でランクコレクションの単純で堅牢な表現を実現する。 CMMに対するベイズ予想は、モデルの正規化定数が閉形式では利用できないため、二重に難解な問題のクラスである。この課題を、交換アルゴリズム \citep{murray2006} のバージョンで後部からサンプリングすることで克服する。食品の嗜好とフォーミュラ1レースの結果に関する実データ分析を行い,CMMの実践状況について解説した。

関連論文リスト

Found in the Middle: Permutation Self-Consistency Improves Listwise Ranking in Large Language Models [63.714662435555674]
大規模言語モデル(LLM)は、文脈の使い方に位置バイアスを示す。我々は,ブラックボックスLLMのランキングリスト出力に対して,自己整合性(permutation self-consistency)を提案する。 LLaMA v2 (70B) では GPT-3.5 では 7-18% , LLaMA v2 (70B) では 8-16% である。
論文参考訳（メタデータ） (2023-10-11T17:59:02Z)
Unsupervised Contrast-Consistent Ranking with Language Models [24.696017700382665]
言語モデルはランキングベースの知識を含み、コンテキスト内ランキングタスクの強力な解法である。我々は、言語モデルのランキング知識を引き出すために、ペアワイズ、ポイントワイズ、リストワイズの各テクニックを比較した。注意深いキャリブレーションと制約付きデコーディングであっても、プロンプトベースのテクニックは、必ずしもそれらが生成するランキングにおいて自己整合であるとは限らない。
論文参考訳（メタデータ） (2023-09-13T14:36:26Z)
Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
論文参考訳（メタデータ） (2023-07-27T07:42:44Z)
Inconsistencies in Masked Language Models [20.320583166619528]
Masked Language Model (MLM) は、マスキングされた位置におけるトークンの分布をシーケンスで提供することができる。異なるマスキングパターンに対応する分布は、かなりの矛盾を示す可能性がある。本稿では,条件文の集合(Ensemble of Conditionals)と呼ばれる fors の推論時間戦略を提案する。
論文参考訳（メタデータ） (2022-12-30T22:53:25Z)
Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank [16.780058676633914]
Rank-LIMEは、モデルに依存しない局所的、ポストホック的特徴属性法である。我々は,新しい相関に基づく摂動,微分可能なランキング損失関数を導入し,ランキングに基づく付加的特徴帰属モデルを評価するための新しい指標を導入する。
論文参考訳（メタデータ） (2022-12-24T12:14:32Z)
The Ordered Matrix Dirichlet for Modeling Ordinal Dynamics [54.96229007229786]
観測された動作タイプに潜伏状態のマッピングを行うための順序付き行列ディリクレ(OMD)を提案する。 OMD上に構築されたモデルでは、解釈可能な潜在状態を復元し、数ショット設定で優れた予測性能を示す。
論文参考訳（メタデータ） (2022-12-08T08:04:26Z)
On A Mallows-type Model For (Ranked) Choices [5.157641769123297]
我々は、人口の選好と(ランク付けされた)選択行動に関する距離ベースランキングモデルを特定する。我々は,モデルパラメータを推定し,実データを用いた一般化能力を示す効果的な手法を開発した。
論文参考訳（メタデータ） (2022-07-05T02:53:25Z)
Coreference Reasoning in Machine Reading Comprehension [100.75624364257429]
機械読解におけるコレファレンス推論は,従来考えられていたよりも大きな課題である。本稿では,コア参照推論の課題を反映した理解データセットの読解手法を提案する。これにより、さまざまなMRCデータセットにまたがる最先端のモデルの推論能力が向上します。
論文参考訳（メタデータ） (2020-12-31T12:18:41Z)
PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文参考訳（メタデータ） (2020-12-12T05:07:36Z)
Aggregating Incomplete and Noisy Rankings [13.267203883254087]
我々は、ほとんど不完全でノイズの多いランキングから、一組の代替品の真の順序付けを学ぶことの問題を考察する。我々の選択的なMallowsモデルは、任意の選択肢の任意の部分集合におけるノイズの多いランクを出力する。選抜されたMallowsランキングから、最適極大ランキングを効率的に計算する方法を示す。
論文参考訳（メタデータ） (2020-11-02T08:18:33Z)
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。