論文の概要: Extending choice assessments to choice functions: An algorithm for computing the natural extension
- arxiv url: http://arxiv.org/abs/2407.21164v1
- Date: Tue, 30 Jul 2024 20:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 19:24:51.154761
- Title: Extending choice assessments to choice functions: An algorithm for computing the natural extension
- Title（参考訳）: 選択関数への選択評価の拡張:自然拡張を計算するためのアルゴリズム
- Authors: Arne Decadt, Alexander Erreygers, Jasper De Bock,
- Abstract要約: 選択関数の枠組みを用いて、選択前の選択から新しい選択を推測する方法を研究する。
特に、与えられた選択評価の自然(最も保守的な)拡張をコヒーレントな選択関数に定義する。
- 参考スコア（独自算出の注目度）: 45.238324742678124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study how to infer new choices from prior choices using the framework of choice functions, a unifying mathematical framework for decision-making based on sets of preference orders. In particular, we define the natural (most conservative) extension of a given choice assessment to a coherent choice function -- whenever possible -- and use this natural extension to make new choices. We provide a practical algorithm for computing this natural extension and various ways to improve scalability. Finally, we test these algorithms for different types of choice assessments.
- Abstract（参考訳）: 選好順序の集合に基づく意思決定のための統一的な数学的枠組みである選択関数の枠組みを用いて、事前選択から新しい選択を推測する方法を検討する。
特に、与えられた選択評価の自然(最も保守的な)拡張を、可能な限りコヒーレントな選択関数に定義し、この自然な拡張を使って新しい選択を行う。
我々は、この自然な拡張を計算するための実用的なアルゴリズムと、スケーラビリティを改善する様々な方法を提供する。
最後に、これらのアルゴリズムを様々な種類の選択評価のためにテストする。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2023-11-22T01:32:06Z) - Finding Optimal Diverse Feature Sets with Alternative Feature Selection [0.0]
代替機能の選択を導入し、最適化問題として定式化する。
特に,制約によって代替品を定義し,利用者が代替品の数や相違を制御できるようにする。
本研究では,一定要素近似が一定の条件下で存在することを示し,対応する探索法を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:23:41Z) - Decision-making with E-admissibility given a finite assessment of
choices [64.29961886833972]
本稿では,E-admissibilityによる意思決定の意義について考察する。
我々は選択関数の数学的枠組みを用いて選択と拒絶を指定する。
線形実現可能性問題を解くことによって,この拡張を計算するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-15T11:46:00Z) - Choosing on Sequences [0.0]
無限列からの選択を考慮に入れた新しい枠組みを提案する。
有界な注意は、自然位相に対する選択関数の連続性によるものであることを示す。
チューリングマシンを用いた選択関数の計算可能性の概念を導入し、計算可能な選択規則を有限オートマトンで実装可能であることを示す。
論文 参考訳（メタデータ） (2022-02-28T20:16:24Z) - Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。
この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。
適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。
提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
論文 参考訳（メタデータ） (2022-02-28T12:26:47Z) - Learning Choice Functions via Pareto-Embeddings [3.1410342959104725]
本稿では,各オブジェクトが特徴ベクトルで表現される対象の集合から選択することの難しさを考察する。
本稿では,この課題に適した識別可能な損失関数を最小化する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-14T09:34:44Z) - Inference with Choice Functions Made Practical [1.1859913430860332]
我々は、従来の選択から新しい選択を保守的な方法で推測する方法を研究する。
我々は選択関数の理論(保守的な意思決定のための統一された数学的枠組み)を用いる。
論文 参考訳（メタデータ） (2020-05-07T12:58:05Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。