論文の概要: Learning Neural Strategy-Proof Matching Mechanism from Examples

• arxiv url: http://arxiv.org/abs/2410.19384v1
• Date: Fri, 25 Oct 2024 08:34:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:36:47.551127
• Title: Learning Neural Strategy-Proof Matching Mechanism from Examples
• Title（参考訳）: ニューラルストラテジーの学習-実例によるマッチングメカニズムの検証
• Authors: Ryota Maruo, Koh Takeuchi, Hisashi Kashima,
• Abstract要約: 我々は,人為的なデータセットから戦略防御機構を学習するニューラルネットワークであるNeuralSDを開発した。 エージェント数の違いによるマッチング例から,ストラテジブルマッチングを学習するための実験を行った。
• 参考スコア（独自算出の注目度）: 24.15688619889342
• License:
• Abstract: Designing effective two-sided matching mechanisms is a major problem in mechanism design, and the goodness of matching cannot always be formulated. The existing work addresses this issue by searching over a parameterized family of mechanisms with certain properties by learning to fit a human-crafted dataset containing examples of preference profiles and matching results. However, this approach does not consider a strategy-proof mechanism, implicitly assumes the number of agents to be a constant, and does not consider the public contextual information of the agents. In this paper, we propose a new parametric family of strategy-proof matching mechanisms by extending the serial dictatorship (SD). We develop a novel attention-based neural network called NeuralSD, which can learn a strategy-proof mechanism from a human-crafted dataset containing public contextual information. NeuralSD is constructed by tensor operations that make SD differentiable and learns a parameterized mechanism by estimating an order of SD from the contextual information. We conducted experiments to learn a strategy-proof matching from matching examples with different numbers of agents. We demonstrated that our method shows the superiority of learning with context-awareness over a baseline in terms of regression performance and other metrics.
• Abstract（参考訳）: 効果的な双方向マッチング機構を設計することは、メカニズム設計において大きな問題であり、マッチングの良さを常に定式化することはできない。 既存の研究は、好みプロファイルとマッチング結果の例を含む人為的なデータセットに適合することを学ぶことで、特定の特性を持つパラメータ化されたメカニズムのファミリーを探索することでこの問題に対処している。 しかし、このアプローチは戦略に反するメカニズムを考慮せず、エージェントの数が定数であると暗黙的に仮定し、エージェントの公開状況情報を考慮しない。 本稿では,直列独裁(SD)を拡張することで,新たな戦略・防御整合機構を提案する。 我々は、公共の文脈情報を含む人為的なデータセットから戦略防御メカニズムを学習できる、NeuralSDと呼ばれる新しいアテンションベースのニューラルネットワークを開発した。 NeuralSDは、SDを微分可能にするテンソル演算によって構築され、コンテキスト情報からSDの順序を推定することによりパラメータ化メカニズムを学ぶ。 エージェント数の違いによるマッチング例から,ストラテジブルマッチングを学習するための実験を行った。 提案手法は,回帰性能などの指標を用いて,ベースラインよりも文脈認識による学習が優れていることを示す。

関連論文リスト

• Exploiting the Data Gap: Utilizing Non-ignorable Missingness to Manipulate Model Learning [13.797822374912773]
  敵対的ミススティングネス(AM)攻撃は、悪意ある無知の欠陥メカニズムによって動機づけられる。 本研究は,AM攻撃の文脈における連帯学習に焦点を当てる。 両レベルの最適化として,対向的欠落メカニズムの学習を定式化する。
  論文  参考訳（メタデータ） (2024-09-06T17:10:28Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率の高いディープアンサンブル手法であるLoRA-Ensembleを紹介する。 全メンバー間で重みを共有できる1つの事前学習型自己注意ネットワークを利用することで、注意投影のために、メンバー固有の低ランク行列を訓練する。 提案手法は明示的なアンサンブルよりも優れたキャリブレーションを示し,様々な予測タスクやデータセットに対して類似あるいは良好な精度を実現する。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• The Common Stability Mechanism behind most Self-Supervised Learning Approaches [64.40701218561921]
  自己指導型学習手法の安定性のメカニズムを説明するための枠組みを提供する。 我々は,BYOL,SWAV,SimSiam,Barlow Twins,DINOなどの非コントラスト技術であるSimCLRの動作メカニズムについて議論する。 私たちは異なる仮説を定式化し、Imagenet100データセットを使ってそれらをテストします。
  論文  参考訳（メタデータ） (2024-02-22T20:36:24Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Discriminative and Generative Learning for Linear Estimation of Random Signals [Lecture Notes] [40.38581446579124]
  信号処理における推論タスクは、しばしば、インスタンス固有のパラメータを欠いた信頼できる統計的モデリングによって特徴づけられる。 従来の手法では、これらの欠落したパラメータを推定するためにデータを使用し、推定されたモデルに基づいて推測する。 この講義ノートは、部分的に知られた統計モデルを用いた推論のための生成的および識別的学習の概念を紹介する。
  論文  参考訳（メタデータ） (2022-06-09T11:39:41Z)
• Weak Augmentation Guided Relational Self-Supervised Learning [80.0680103295137]
  本稿では、異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナル自己教師型学習(ReSSL)フレームワークを提案する。 提案手法では,異なるインスタンス間でのペアワイズ類似度の分布を,テクトitrelationmetricとして高めている。 実験の結果,提案したReSSLは,ネットワークアーキテクチャの異なる最先端手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-03-16T16:14:19Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Causal Modeling with Stochastic Confounders [11.881081802491183]
  この作業は、共同設立者との因果推論を拡張します。 本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-24T00:34:44Z)

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。