論文の概要: Balancing Optimality and Diversity: Human-Centered Decision Making through Generative Curation
- arxiv url: http://arxiv.org/abs/2409.11535v1
- Date: Tue, 17 Sep 2024 20:13:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-19 19:59:44.498609
- Title: Balancing Optimality and Diversity: Human-Centered Decision Making through Generative Curation
- Title（参考訳）: 最適性と多様性のバランスをとる:生成的キュレーションによる人間中心の意思決定
- Authors: Michael Lingzhi Li, Shixiang Zhu,
- Abstract要約: 本稿では,量的・質的両面を統合することにより,決定オプションの真の望ましさを最適化する生成キュレーションという新しい枠組みを導入する。
提案手法は,多種多様な準最適動作を効率的にサンプリングするための分配$pi$を生成する生成ニューラルネットワークアーキテクチャと,反復的に解を生成する逐次最適化手法である。
提案手法を広範囲なデータセットで検証し,複雑な環境にまたがる意思決定プロセスの強化の有効性を実証する。
- 参考スコア（独自算出の注目度）: 6.980546503227467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The surge in data availability has inundated decision-makers with an overwhelming array of choices. While existing approaches focus on optimizing decisions based on quantifiable metrics, practical decision-making often requires balancing measurable quantitative criteria with unmeasurable qualitative factors embedded in the broader context. In such cases, algorithms can generate high-quality recommendations, but the final decision rests with the human, who must weigh both dimensions. We define the process of selecting the optimal set of algorithmic recommendations in this context as human-centered decision making. To address this challenge, we introduce a novel framework called generative curation, which optimizes the true desirability of decision options by integrating both quantitative and qualitative aspects. Our framework uses a Gaussian process to model unknown qualitative factors and derives a diversity metric that balances quantitative optimality with qualitative diversity. This trade-off enables the generation of a manageable subset of diverse, near-optimal actions that are robust to unknown qualitative preferences. To operationalize this framework, we propose two implementation approaches: a generative neural network architecture that produces a distribution $\pi$ to efficiently sample a diverse set of near-optimal actions, and a sequential optimization method to iteratively generates solutions that can be easily incorporated into complex optimization formulations. We validate our approach with extensive datasets, demonstrating its effectiveness in enhancing decision-making processes across a range of complex environments, with significant implications for policy and management.
- Abstract（参考訳）: データ可用性の急上昇は、圧倒的な選択肢で決定を下す要因となった。
既存のアプローチでは、定量化メトリクスに基づいた意思決定の最適化に重点を置いているが、実際的な意思決定では、測定不可能な定量化基準と、より広い文脈に埋め込まれた測定不可能な定性的要因とのバランスを必要とすることが多い。
このような場合、アルゴリズムは高品質なレコメンデーションを生成することができるが、最終的な決定は、両方の次元を測る必要がある人間に委ねられる。
我々は、この文脈におけるアルゴリズムレコメンデーションの最適セットを選択する過程を、人間中心の意思決定として定義する。
この課題に対処するために,量的・質的両面を統合することにより,決定オプションの真の望ましさを最適化する生成的キュレーション(generative curation)という新しい枠組みを導入する。
我々のフレームワークは、未知の質的因子をモデル化するためにガウス過程を使用し、定量最適度と質的多様性のバランスをとる多様性指標を導出する。
このトレードオフにより、未知の定性的嗜好に対して堅牢な、多種多様な、ほぼ最適な行動の管理可能なサブセットの生成が可能になる。
このフレームワークを運用するために、分布を$\pi$で効率よくサンプリングする生成ニューラルネットワークアーキテクチャと、複雑な最適化定式化に容易に組み込めるソリューションを反復的に生成する逐次最適化手法の2つの実装手法を提案する。
当社のアプローチを広範なデータセットで検証し,さまざまな複雑な環境における意思決定プロセスの強化の有効性を実証し,政策と管理に大きな影響を与える。
関連論文リスト
- Towards Robust Interpretable Surrogates for Optimization [0.0]
最適化モデルの実践的実装において重要な要素は、意図したユーザによる受け入れである。
本研究では,不確実性をモデル化するための異なる変種に基づく適切なモデルと解法を提案する。
論文 参考訳（メタデータ） (2024-12-02T08:31:48Z) - 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) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Illuminating the Diversity-Fitness Trade-Off in Black-Box Optimization [9.838618121102053]
現実世界のアプリケーションでは、ユーザーは1つの高品質なソリューションよりも構造的に多様な設計選択を好むことが多い。
本稿では, 所定のしきい値以上のペア距離を持つ一定数の解を同定する問題を考察する。
このトレードオフが、根底にある最適化問題の性質にどのように依存するかを分析する。
論文 参考訳（メタデータ） (2024-08-29T09:55:55Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - A new fuzzy multi-attribute group decision-making method based on TOPSIS
and optimization models [3.697049647195136]
区間値の直観的ファジィ集合における多属性群決定のための新しい手法を提案する。
全ての専門家の個人評価と全体整合性評価の差の和を最小化することにより、専門家の体重を決定するための新しい最適化モデルが確立される。
完全ファジィ多属性群決定アルゴリズムが定式化され、主観的および客観的重み付け法の利点を最大限に活用することができる。
論文 参考訳（メタデータ） (2023-11-27T15:41:30Z) - 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) - Bayesian Quality-Diversity approaches for constrained optimization
problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。
提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
論文 参考訳（メタデータ） (2023-09-11T14:29:47Z) - Robust Data-driven Prescriptiveness Optimization [4.792851066169871]
本稿では、古典的経験的リスク目標最小化に代えて、規範性の係数が代わる分布的ロバストな文脈最適化モデルを提案する。
サンプル外データセットが様々な分散シフトを受ける場合の代替手法に対する結果のロバスト性を評価する。
論文 参考訳（メタデータ） (2023-06-09T14:56:06Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Learning MDPs from Features: Predict-Then-Optimize for Sequential
Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。
2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文 参考訳（メタデータ） (2021-06-06T23:53:31Z)
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。