論文の概要: DeepVoting: Learning and Fine-Tuning Voting Rules with Canonical Embeddings
- arxiv url: http://arxiv.org/abs/2408.13630v2
- Date: Thu, 11 Sep 2025 15:32:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-12 16:52:24.009738
- Title: DeepVoting: Learning and Fine-Tuning Voting Rules with Canonical Embeddings
- Title（参考訳）: DeepVoting: 標準埋め込みによる学習と微調整投票ルール
- Authors: Leonardo Matone, Ben Abramowitz, Ben Armstrong, Avinash Balakrishnan, Nicholas Mattei,
- Abstract要約: 望ましい特性を持つ投票規則を学習確率関数の1つに再検討する。
好みプロファイルの符号化は、ニューラルネットワークが規則を学習する効率と能力に大きな影響を及ぼすことを示す。
また,我々の学習ルールを公理特性を用いて微調整し,新しい投票ルールを作成することも示している。
- 参考スコア（独自算出の注目度）: 5.312279415103033
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Aggregating agent preferences into a collective decision is an important step in many problems (e.g., hiring, elections, peer review) and across areas of computer science (e.g., reinforcement learning, recommender systems). As Social Choice Theory has shown, the problem of designing aggregation rules with specific sets of properties (axioms) can be difficult, or provably impossible in some cases. Instead of designing algorithms by hand, one can learn aggregation rules, particularly voting rules, from data. However, prior work in this area has required extremely large models or been limited by the choice of preference representation, i.e., embedding. We recast the problem of designing voting rules with desirable properties into one of learning probabilistic functions that output distributions over a set of candidates. Specifically, we use neural networks to learn probabilistic social choice functions. Using standard embeddings from the social choice literature we show that preference profile encoding has significant impact on the efficiency and ability of neural networks to learn rules, allowing us to learn rules faster and with smaller networks than previous work. Moreover, we show that our learned rules can be fine-tuned using axiomatic properties to create novel voting rules and make them resistant to specific types of "attack". Namely, we fine-tune rules to resist a probabilistic version of the No Show Paradox.
- Abstract（参考訳）: エージェントの選好を集団決定に集約することは、多くの問題(雇用、選挙、ピアレビューなど)とコンピュータ科学の分野(強化学習、推薦システムなど)において重要なステップである。
社会選択論(Social Choice Theory)が示すように、特定の性質の集合(公理)で集約ルールを設計する問題は困難であり、場合によっては証明不可能である。
手動でアルゴリズムを設計する代わりに、データから集約ルール、特に投票ルールを学ぶことができる。
しかし、この分野における先行研究は、非常に大きなモデルが必要であったり、好みの表現、すなわち埋め込みの選択によって制限されたりしてきた。
我々は,投票ルールを望ましい性質で設計する問題を,一組の候補に対して分布を出力する確率関数の学習の1つに再放送する。
具体的には、ニューラルネットワークを使って確率論的社会的選択関数を学習する。
社会的選択文学からの標準的な埋め込みを用いて、好みプロファイルの符号化は、ニューラルネットワークが規則を学習する効率と能力に大きな影響を及ぼし、ルールをより速く、より小さなネットワークで学習できることを示した。
さらに,我々の学習ルールは,公理特性を用いて微調整し,新たな投票ルールを作成し,特定の種類の「攻撃」に耐性を持たせることができることを示す。
すなわち、No Show Paradoxの確率的バージョンに抵抗するルールを微調整する。
関連論文リスト
- Self-Evolving Curriculum for LLM Reasoning [108.23021254812258]
自己進化カリキュラム(Self-Evolving Curriculum, SEC)は、RLファインチューニングプロセスと並行してカリキュラムポリシーを学習する自動カリキュラム学習手法である。
実験により、SECはモデルの推論能力を大幅に改善し、より困難で配布外のテスト問題へのより良い一般化を可能にした。
論文 参考訳（メタデータ） (2025-05-20T23:17:15Z) - 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) - Abductive and Contrastive Explanations for Scoring Rules in Voting [5.928530455750507]
我々は、ルールの採点のための帰納的および対照的な説明を計算するためのアルゴリズムを設計する。
ボルダの法則では、最小の導出的説明の大きさの低い境界を求める。
選好プロファイルの特性と最小誘引的説明の大きさの相関関係をシミュレーションにより同定する。
論文 参考訳（メタデータ） (2024-08-23T09:12:58Z) - Abstracting Concept-Changing Rules for Solving Raven's Progressive
Matrix Problems [54.26307134687171]
Raven's Progressive Matrix (RPM) は、候補者の中から選択することで、機械知能においてそのような能力を実現する古典的なテストである。
近年の研究では、RPMの解法はルールの深い理解を促進することが示唆されている。
本稿では、解釈可能な概念を学習し、潜在空間における概念変更ルールを解析することにより、概念変更ルールABstraction(CRAB)の潜時変数モデルを提案する。
論文 参考訳（メタデータ） (2023-07-15T07:16:38Z) - Data as voters: instance selection using approval-based multi-winner voting [1.597617022056624]
機械学習(あるいはデータマイニング)におけるインスタンス選択問題に対する新しいアプローチを提案する。
私たちのモデルでは、インスタンスは有権者と候補者として二重の役割を担います。
SVM では,EJR や PJR を満たすいくつかの投票規則を用いて,平均精度をわずかに向上させた。
論文 参考訳（メタデータ） (2023-04-19T22:00:23Z) - Machine Learning with Probabilistic Law Discovery: A Concise
Introduction [77.34726150561087]
Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。
PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。
本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
論文 参考訳（メタデータ） (2022-12-22T17:40:13Z) - Obvious Manipulability of Voting Rules [105.35249497503527]
Gibbard-Satterthwaite の定理は、全会一致で非独裁的な投票規則は、戦略的なものではないと述べる。
我々は投票規則を再検討し、明らかでない操作性という戦略的安全性の弱い概念を考察する。
論文 参考訳（メタデータ） (2021-11-03T02:41:48Z) - The Complexity of Learning Approval-Based Multiwinner Voting Rules [9.071560867542647]
本研究は,ABCS(承認ベース委員会スコアリング)ルールのクラスに着目し,マルチウィンナ投票の学習可能性について検討する。
我々のゴールは、少数のプロファイルの勝利委員会に関する情報を用いて、ターゲットルール(すなわち、対応するスコアリング機能を学ぶこと)を学ぶことである。
我々は、ある委員会に与えられたプロファイルで勝利させるABCSルールが存在するかどうかを判断することが難しいことを証明している。
論文 参考訳（メタデータ） (2021-10-01T08:25:05Z) - Learning to Elect [7.893831644671976]
投票システムには、推薦システム、ウェブ検索、製品デザイン、選挙など幅広いアプリケーションがある。
本研究では,セットトランスフォーマーや完全連結グラフネットワーク,DeepSetsといったセットインプットニューラルネットワークアーキテクチャが,理論的にも経験的にも投票ルールの学習に適していることを示す。
論文 参考訳（メタデータ） (2021-08-05T17:55:46Z) - RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
本稿では知識グラフに基づく推論のための論理規則の学習について研究する。
論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。
既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
論文 参考訳（メタデータ） (2020-10-08T14:47:02Z) - Objective Social Choice: Using Auxiliary Information to Improve Voting
Outcomes [16.764511357821043]
多様な情報源からノイズのある情報を組み合わせて、客観的根拠の真理を推測するにはどうすればよいのか?
マルチアームバンディット雑音モデルとカウントベース補助情報セットを提案する。
我々のルールは、補助情報を利用して、素質のベースラインを上回りました。
論文 参考訳（メタデータ） (2020-01-27T21:21:19Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。