論文の概要: Tractable Agreement Protocols

• arxiv url: http://arxiv.org/abs/2411.19791v1
• Date: Fri, 29 Nov 2024 15:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:18.349064
• Title: Tractable Agreement Protocols
• Title（参考訳）: 貿易協定議定書
• Authors: Natalie Collina, Surbhi Goel, Varun Gupta, Aaron Roth,
• Abstract要約: 本稿では,任意の機械学習アルゴリズムを対話型プロトコルに変換する効率的な削減手法を提案する。 我々のプロトコルでは、まずモデルが予測を提供し、次に人間が同意するかフィードバックを提供することで応答する。 我々のプロトコルは、単純で効率的な条件に頼り、どの党単独の精度を超越した予測を生成する。
• 参考スコア（独自算出の注目度）: 17.313852884203314
• License:
• Abstract: We present an efficient reduction that converts any machine learning algorithm into an interactive protocol, enabling collaboration with another party (e.g., a human) to achieve consensus on predictions and improve accuracy. This approach imposes calibration conditions on each party, which are computationally and statistically tractable relaxations of Bayesian rationality. These conditions are sensible even in prior-free settings, representing a significant generalization of Aumann's classic "agreement theorem." In our protocol, the model first provides a prediction. The human then responds by either agreeing or offering feedback. The model updates its state and revises its prediction, while the human may adjust their beliefs. This iterative process continues until the two parties reach agreement. Initially, we study a setting that extends Aumann's Agreement Theorem, where parties aim to agree on a one-dimensional expectation by iteratively sharing their current estimates. Here, we recover the convergence theorem of Aaronson'05 under weaker assumptions. We then address the case where parties hold beliefs over distributions with d outcomes, exploring two feedback mechanisms. The first involves vector-valued estimates of predictions, while the second adopts a decision-theoretic approach: the human, needing to take an action from a finite set based on utility, communicates their utility-maximizing action at each round. In this setup, the number of rounds until agreement remains independent of d. Finally, we generalize to scenarios with more than two parties, where computational complexity scales linearly with the number of participants. Our protocols rely on simple, efficient conditions and produce predictions that surpass the accuracy of any individual party's alone.
• Abstract（参考訳）: 本稿では,任意の機械学習アルゴリズムを対話型プロトコルに変換する効率のよい削減手法を提案する。 このアプローチは、ベイズ合理性の計算的かつ統計的に抽出可能な緩和である各党に校正条件を課す。 これらの条件は、オーマンの古典的な「アグリメント定理」の顕著な一般化を表す、事前自由な設定においても、合理的である。このプロトコルでは、まず、モデルが予測を提供する。 そして、人間は同意するか、フィードバックを提供することで反応する。 モデルは状態を更新し、予測を改訂するが、人間は信念を調整できる。 この反復的なプロセスは、両者が合意に達するまで続く。 まず,Aumann's Agreement Theoremを拡張して,現在の見積を反復的に共有することで,当事者が1次元の期待に同意することを目的とした設定について検討する。 ここでは、より弱い仮定の下でアーロンソン'05の収束定理を回復する。 次に、d 結果の分布に対する信念を当事者が保持し、2 つのフィードバックメカニズムを探索するケースに対処する。 1つはベクトルで評価された予測であり、もう1つは決定論的アプローチである: 実用性に基づいて有限集合から作用を取る必要がある人間は、各ラウンドで実用的最大化作用を伝達する。 この設定では、合意までのラウンドの数は d から独立である。 最後に、計算複雑性が参加者数と線形にスケールする2つ以上のシナリオに一般化する。 我々のプロトコルは、単純で効率的な条件に頼り、どの党単独の精度を超越した予測を生成する。

関連論文リスト

• Conformal Prediction for Hierarchical Data [5.580128181112309]
  コンフォーマル予測と予測再構成を組み合わせた第1ステップを提案する。 予測セットの効率を向上しつつ,SCPが付与した妥当性が保たれていることを示す。
  論文  参考訳（メタデータ） (2024-11-20T17:26:26Z)
• Reconciling Model Multiplicity for Downstream Decision Making [24.335927243672952]
  2つの予測モデルがほぼ至るところでそれぞれの予測にほぼ一致しているとしても、最も応答性の高い行動が人口のかなりの部分で相違していることが示される。 本稿では,下流決定問題と個別確率予測の両方に関して,予測モデルを校正する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:36:46Z)
• Best Practices for 2-Body Pose Forecasting [58.661899246497896]
  我々は、人間のポーズ予測の進捗状況を概観し、最善を尽くす一対一の実践を詳細に評価する。 他の1人のプラクティスは2体に移行しないため、提案されているベストプラクティスは階層的なボディモデリングや注目に基づくインタラクションエンコーディングは含まない。 提案した2体ポーズによるベストプラクティス予測では,最新のExPIデータセットのパフォーマンスが21.9%向上した。
  論文  参考訳（メタデータ） (2023-04-12T10:46:23Z)
• DeFeeNet: Consecutive 3D Human Motion Prediction with Deviation Feedback [23.687223152464988]
  既存のワンオフ予測モデルに付加可能な,シンプルで効果的なネットワークであるDeFeeNetを提案する。 提案するネットワークは,基本モデルによらず連続的な人間の動作予測性能を向上させる。
  論文  参考訳（メタデータ） (2023-04-10T10:18:23Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• A Confidence Machine for Sparse High-Order Interaction Model [16.780058676633914]
  コンフォーマル予測(CP: Conformal Prediction)は、より少ない理論的仮定で予測結果の信頼性を得るための有望な手法である。 我々は,変数間の高次相互作用を考慮に入れた,十分なフレキシブルな,スパース高次相互作用モデル(SHIM)の完全なCPを開発する。
  論文  参考訳（メタデータ） (2022-05-28T03:23:56Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Universal Off-Policy Evaluation [64.02853483874334]
  ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す 我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
  論文  参考訳（メタデータ） (2021-04-26T18:54:31Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。