論文の概要: The Power of Second Chance: Personalized Submodular Maximization with Two Candidates

• arxiv url: http://arxiv.org/abs/2409.03545v1
• Date: Thu, 5 Sep 2024 14:07:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 20:28:22.278058
• Title: The Power of Second Chance: Personalized Submodular Maximization with Two Candidates
• Title（参考訳）: 2つの候補を持つパーソナライズされたサブモジュールの最大化
• Authors: Jing Yuan, Shaojie Tang,
• Abstract要約: 2つの候補解を用いたパーソナライズされたサブモジュラー問題を導入する。 そこで本研究の目的は,全ユーザ固有関数のユーティリティの総和を最大化する2つの候補の最適セットを選択することである。
• 参考スコア（独自算出の注目度）: 11.528995186765751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most of existing studies on submodular maximization focus on selecting a subset of items that maximizes a \emph{single} submodular function. However, in many real-world scenarios, we might have multiple user-specific functions, each of which models the utility of a particular type of user. In these settings, our goal would be to choose a set of items that performs well across all the user-specific functions. One way to tackle this problem is to select a single subset that maximizes the sum of all of the user-specific functions. Although this aggregate approach is efficient in the sense that it avoids computation of sets for individual functions, it really misses the power of personalization - for it does not allow to choose different sets for different functions. In this paper, we introduce the problem of personalized submodular maximization with two candidate solutions. For any two candidate solutions, the utility of each user-specific function is defined as the better of these two candidates. Our objective is, therefore, to select the best set of two candidates that maximize the sum of utilities of all the user-specific functions. We have designed effective algorithms for this problem. We also discuss how our approach generalizes to multiple candidate solutions, increasing flexibility and personalization in our solution.
• Abstract（参考訳）: 部分モジュラー極大化に関する既存の研究の多くは、 \emph{single} 部分モジュラー函数を最大化する項目の部分集合を選択することに焦点を当てている。 しかし、現実の多くのシナリオでは、複数のユーザ固有の機能があり、それぞれが特定のタイプのユーザの有用性をモデル化します。 これらの設定では、ユーザ固有の機能でうまく機能するアイテムのセットを選択することを目標としています。 この問題に対処する一つの方法は、ユーザ固有の関数の総和を最大化する単一のサブセットを選択することである。 この集約アプローチは、個々の関数に対する集合の計算を避けるという意味で効率的であるが、パーソナライゼーションのパワーを見逃している。 本稿では,2つの候補解を用いたパーソナライズされた部分モジュラー最大化の問題を紹介する。 任意の2つの候補解に対して、各ユーザ固有の関数の効用は、これらの2つの候補の長所として定義される。 そこで本研究の目的は,全ユーザ固有関数のユーティリティの総和を最大化する2つの候補の最適セットを選択することである。 我々はこの問題に対して効果的なアルゴリズムを設計した。 また、このアプローチが複数の候補ソリューションにどのように一般化され、ソリューションの柔軟性とパーソナライゼーションが向上するかについても論じる。

関連論文リスト

• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Differential Privacy with Multiple Selections [52.5653572324012]
  感性のある機能を持つユーザがサーバから異なるプライベートな方法でレコメンデーションを得るような設定について検討する。 本稿では,サーバが複数のレコメンデーションを送信可能なマルチセレクションアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-07-19T19:34:51Z)
• User-Level Differential Privacy With Few Examples Per User [73.81862394073308]
  サンプルスカース方式では,各ユーザが少数のサンプルしか持たないため,以下の結果が得られる。 近似DPについては,任意の項目レベルDPアルゴリズムをユーザレベルDPアルゴリズムに汎用変換する。 ユーザレベル設定に指数的機構(McSherry, Talwar FOCS 2007)を適用するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-09-21T21:51:55Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• Balancing Utility and Fairness in Submodular Maximization (Technical Report) [27.20340546154524]
  実用性と公平性のバランスをとるために,emphBi Maxim Submodularization (BSM) と呼ばれる新しい問題を提案する。 BSMは任意の定数係数で近似できないため、効率的なインスタンス依存近似スキームの設計に焦点をあてる。
  論文  参考訳（メタデータ） (2022-11-02T09:38:08Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• Group Equality in Adaptive Submodular Maximization [13.619980548779687]
  非適応的条件と適応的条件の両方で群等式制約を受ける古典的部分モジュラー問題について検討する。 この問題に対する最初の定数近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-07T15:12:02Z)
• Partial-Adaptive Submodular Maximization [28.24164217929491]
  適応部分モジュラー問題に関するほとんどの研究は、完全に適応的な設定に焦点を当てている。 本稿では,バッチ内で複数の選択を同時に行うことができる部分適応部分モジュラーの問題について検討する。 我々のアプローチは、過去の選択から観察を待つ時間を削減するとともに、適応性の利点を享受します。
  論文  参考訳（メタデータ） (2021-11-01T14:48:41Z)
• Submodular + Concave [53.208470310734825]
  第一次最適化法が凹関数の最大目的値に収束できることはよく確立されている。 本研究では、滑らかな函数凸体(英語版)の行列式を$F(x) = G(x) +C(x)$で始める。 このクラスの函数は、保証がないような凹凸函数と連続DR-部分モジュラ函数の両方の拡張である。
  論文  参考訳（メタデータ） (2021-06-09T01:59:55Z)
• Adaptive Cascade Submodular Maximization [19.29174615532181]
  本研究では,適応条件下でのカスケード部分モジュラー問題について検討する。 本研究の目的は,選択項目の有効性を最大化するために,選択項目の最適シーケンスを特定することである。
  論文  参考訳（メタデータ） (2020-07-07T16:21:56Z)

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。