論文の概要: Orbit: A Framework for Designing and Evaluating Multi-objective Rankers

• arxiv url: http://arxiv.org/abs/2411.04798v1
• Date: Thu, 07 Nov 2024 15:38:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-09 19:50:50.704676
• Title: Orbit: A Framework for Designing and Evaluating Multi-objective Rankers
• Title（参考訳）: Orbit: 多目的ローダの設計と評価のためのフレームワーク
• Authors: Chenyang Yang, Tesi Xiao, Michael Shavlovsky, Christian Kästner, Tongshuang Wu,
• Abstract要約: Orbitは、Objective-centric Ranker Building and Iterationの概念的なフレームワークである。 我々はOrbitを対話型システムとして実装し、利害関係者が直接対象空間と対話できるようにする。 われわれはOrbitを12名の業界実践者によるユーザスタディを通じて評価した。
• 参考スコア（独自算出の注目度）: 36.23959641435297
• License:
• Abstract: Machine learning in production needs to balance multiple objectives: This is particularly evident in ranking or recommendation models, where conflicting objectives such as user engagement, satisfaction, diversity, and novelty must be considered at the same time. However, designing multi-objective rankers is inherently a dynamic wicked problem -- there is no single optimal solution, and the needs evolve over time. Effective design requires collaboration between cross-functional teams and careful analysis of a wide range of information. In this work, we introduce Orbit, a conceptual framework for Objective-centric Ranker Building and Iteration. The framework places objectives at the center of the design process, to serve as boundary objects for communication and guide practitioners for design and evaluation. We implement Orbit as an interactive system, which enables stakeholders to interact with objective spaces directly and supports real-time exploration and evaluation of design trade-offs. We evaluate Orbit through a user study involving twelve industry practitioners, showing that it supports efficient design space exploration, leads to more informed decision-making, and enhances awareness of the inherent trade-offs of multiple objectives. Orbit (1) opens up new opportunities of an objective-centric design process for any multi-objective ML models, as well as (2) sheds light on future designs that push practitioners to go beyond a narrow metric-centric or example-centric mindset.
• Abstract（参考訳）: これは、ユーザのエンゲージメント、満足度、多様性、新規性といった相反する目標を同時に考慮しなければならない、ランキングモデルやレコメンデーションモデルで特に顕著です。 しかし、マルチオブジェクトローダを設計することは本質的に動的に悪質な問題であり、単一の最適解はなく、時間とともにニーズが進化する。 効果的な設計には、クロスファンクショナルチーム間のコラボレーションと、幅広い情報の慎重な分析が必要である。 本稿では,Orbitについて紹介する。OrbitはObjective中心のランサービルディングとイテレーションの概念フレームワークである。 このフレームワークは、設計プロセスの中心に目標を設定し、コミュニケーションのための境界オブジェクトとして機能し、設計と評価のための実践者を支援する。 我々はOrbitを対話型システムとして実装し、利害関係者が直接対象空間と対話できるようにし、リアルタイムな探索と設計トレードオフの評価を支援する。 われわれはOrbitを、12の業界実践者によるユーザスタディを通じて評価し、効率的な設計空間探索をサポートし、より深い意思決定をもたらし、複数の目的の固有のトレードオフの認識を高めることを示した。 Orbit (1)は、多目的MLモデルのための客観的な設計プロセスの新たな機会を開くと同時に、(2)実践者が狭義のメトリクス中心あるいは例中心のマインドセットを超えるように、将来の設計に光を当てます。

関連論文リスト

• Consistent Aggregation of Objectives with Diverse Time Preferences Requires Non-Markovian Rewards [7.9456318392035845]
  報奨関数のマルコフ的アグリゲーションは、各目的に対する時間的選好が異なる場合、不可能である。 これは、最適多目的エージェントは、個々の目的に関してマルコフ的でない報酬を認めなければならないことを従う。 この研究は、シーケンシャルで多目的的なエージェンシーと時間的選択に関する新たな洞察を提供し、異なる時間的嗜好を持つ複数の世代のプリンシパルにサービスを提供するためにデプロイされるAIシステムの設計に実践的な意味を持つ。
  論文  参考訳（メタデータ） (2023-09-30T17:06:34Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective [1.7205106391379026]
  我々は,MCX問題における複数の目的に対応するために特別に設計された新しいランキングであるT-DominOを提案する。 各MAP-Elites ビンに1つのバランスの取れたソリューションだけを保持することは、アーカイブの視覚的アクセシビリティを維持する。
  論文  参考訳（メタデータ） (2022-07-04T14:26:02Z)
• Bi-directional Object-context Prioritization Learning for Saliency Ranking [60.62461793691836]
  既存のアプローチは、オブジェクトオブジェクトかオブジェクトシーンの関係を学ぶことに集中しています。 我々は,人間の視覚認識システムにおいて,空間的注意と物体に基づく注意が同時に機能することが観察された。 本稿では,空間的注意を統一する新たな双方向手法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T16:16:03Z)
• Goal-Aware Cross-Entropy for Multi-Target Reinforcement Learning [15.33496710690063]
  本稿では,目標認識型クロスエントロピー(GACE)ロスを提案する。 次に、目標関連情報を利用して与えられた指示に集中する目標識別型注意ネットワーク(GDAN)を考案する。
  論文  参考訳（メタデータ） (2021-10-25T14:24:39Z)
• CACTUS: Detecting and Resolving Conflicts in Objective Functions [16.784454432715712]
  多対象最適化において、矛盾する目的と制約は大きな関心事である。 本稿では,多目的目的関数を可視化する手法をプロトタイプ化して,この作業範囲を拡張する。 本手法は,分類タスクの潜在的な競合を解決することによって,ユーザが対話的に有意義な目的関数を特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-13T22:38:47Z)
• Learning Long-term Visual Dynamics with Region Proposal Interaction Networks [75.06423516419862]
  オブジェクト間およびオブジェクト環境間の相互作用を長距離にわたってキャプチャするオブジェクト表現を構築します。 単純だが効果的なオブジェクト表現のおかげで、我々の手法は先行手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-08-05T17:48:00Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)
• A Distributional View on Multi-Objective Policy Optimization [24.690800846837273]
  大規模不変な方法で目的の好みを設定することができる多目的強化学習アルゴリズムを提案する。 フレームワーク内で異なる好みを設定することで、非支配的なソリューションの空間を追跡できることを示す。
  論文  参考訳（メタデータ） (2020-05-15T13:02:17Z)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)

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。