論文の概要: Learning Neural Strategy-Proof Matching Mechanism from Examples
- arxiv url: http://arxiv.org/abs/2410.19384v3
- Date: Wed, 30 Jul 2025 04:30:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 14:05:50.756768
- 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: 本稿では,常に戦略保護性を満足し,任意の数のエージェントに適用可能な新しいマッチング機構のファミリーを提案し,エージェントの公開コンテキスト情報を扱う。
提案手法は, 整合性を満足しながら, 整合性を学習するための実験である。
提案手法は,マッチング予測における基準値よりも優れており,マッチング結果の良さを示す指標がいくつかあることを実証した。
- 参考スコア(独自算出の注目度): 24.15688619889342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing two-sided matching mechanisms is challenging when practical demands for matching outcomes are difficult to formalize and the designed mechanism must satisfy theoretical conditions. To address this, prior work has proposed a framework that learns a matching mechanism from examples, using a parameterized family that satisfies properties such as stability. However, despite its usefulness, this framework does not guarantee strategy-proofness (SP), and cannot handle varying numbers of agents or incorporate publicly available contextual information about agents, both of which are crucial in real-world applications. In this paper, we propose a new parametrized family of matching mechanisms that always satisfy strategy-proofness, are applicable for an arbitrary number of agents, and deal with public contextual information of agents, based on the serial dictatorship (SD). This family is represented by NeuralSD, a novel neural network architecture based on SD, where agent rankings in SD are treated as learnable parameters computed from agents' contexts using an attention-based sub-network. To enable learning, we introduce tensor serial dictatorship (TSD), a differentiable relaxation of SD using tensor operations. This allows NeuralSD to be trained end-to-end from example matchings while satisfying SP. We conducted experiments to learn a matching mechanism from matching examples while satisfying SP. We demonstrated that our method outperformed baselines in predicting matchings and on several metrics for goodness of matching outcomes.
- Abstract(参考訳): 両面マッチング機構の設計は、マッチング結果に対する実用的な要求が形式化が困難であり、設計されたメカニズムが理論的条件を満たす必要がある場合に困難である。
これを解決するために、先行研究は、安定性などの特性を満たすパラメータ化ファミリを用いて、例からマッチングメカニズムを学ぶフレームワークを提案している。
しかし、その有用性にもかかわらず、このフレームワークは戦略保護性(SP)を保証せず、様々な数のエージェントを処理したり、エージェントに関する公開コンテキスト情報を組み込んだりすることはできない。
本稿では,常に戦略の安全性を満足し,任意の数のエージェントに適応し,シリアルディクテータシップ(SD)に基づくエージェントの公開状況情報を扱う,新しいパラメータ化されたマッチング機構のファミリーを提案する。
このファミリは、SDに基づく新しいニューラルネットワークアーキテクチャであるNeuralSDによって表現され、SD内のエージェントランキングは、注目ベースのサブネットワークを使用してエージェントのコンテキストから計算される学習可能なパラメータとして扱われる。
学習を実現するために,テンソル演算を用いたSDの微分緩和であるテンソルシリアルディクテータシップ(TSD)を導入する。
これにより、SPを満たしながらサンプルマッチングからNuralSDをエンドツーエンドでトレーニングすることができる。
本研究では,SPを満足しながら,マッチング機構をサンプルから学習する実験を行った。
提案手法は,マッチング予測における基準値よりも優れており,マッチング結果の良さを示す指標がいくつかあることを実証した。
関連論文リスト
- SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。
現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。
本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
論文 参考訳(メタデータ) (2025-04-26T10:05:04Z) - Resilient Peer-to-peer Learning based on Adaptive Aggregation [0.5530212768657544]
ピアツーピアネットワークでの協調学習は、単一障害点を緩和しながら学習の利点を提供する。
敵の労働者は ネットワークに悪意のある情報を注入することで 潜在的な脅威を引き起こす
本稿では,類似性学習プロセスの育成を目的としたレジリエントアグリゲーション手法を提案する。
論文 参考訳(メタデータ) (2025-01-08T16:47:45Z) - 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) - Axiomatic Causal Interventions for Reverse Engineering Relevance Computation in Neural Retrieval Models [20.29451537633895]
本稿では,ニューラルランサーのリバースエンジニアリングにおける因果介入法を提案する。
本稿では, 項周波数公理を満たす成分を分離するために, 機械的解釈可能性法をどのように利用できるかを示す。
論文 参考訳(メタデータ) (2024-05-03T22:30:15Z) - 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。