Fugu-MT 論文翻訳(概要): A Parametric, Second-Order Cone Representable Model of Fairness for Decision-Making Problems

論文の概要: A Parametric, Second-Order Cone Representable Model of Fairness for Decision-Making Problems

arxiv url: http://arxiv.org/abs/2412.05143v1
Date: Fri, 06 Dec 2024 15:59:48 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-09 15:56:47.048781
Title: A Parametric, Second-Order Cone Representable Model of Fairness for Decision-Making Problems
Title（参考訳）: 意思決定問題に対するパラメトリック2次円錐表現可能なフェアネスモデル
Authors: Kaarthik Sundar, Deepjyoti Deka, Russell Bent,
Abstract要約: この記事は「$varepsilon$-fairness」と呼ばれるフェアネスのパラメトリックモデルを開発する。本研究では,本モデルが文献で広く用いられている公正度を測定するための既存の計量値と閉形式関係を持つことを示す。
参考スコア（独自算出の注目度）: 0.716879432974126
License:
Abstract: The article develops a parametric model of fairness called "$\varepsilon$-fairness" that can be represented using a single second-order cone constraint and incorporated into existing decision-making problem formulations without impacting the complexity of solution techniques. We develop the model from the fundamental result of finite-dimensional norm equivalence in linear algebra and show that this model has a closed-form relationship to an existing metric for measuring fairness widely used in the literature. Finally, a simple case study on the optimal operation of a damaged power transmission network illustrates its effectiveness.
Abstract（参考訳）: 本論文は,「$\varepsilon$-fairness」と呼ばれるフェアネスのパラメトリックモデルを開発した。線形代数における有限次元ノルム同値の基本的な結果からモデルを開発し、このモデルが文献で広く使われている公正度を測定するための既存の計量と閉形式関係を持つことを示す。最後に、損傷した送電網の最適動作に関する簡単なケーススタディにより、その効果が示されている。

関連論文リスト

Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
論文参考訳（メタデータ） (2024-11-26T15:35:44Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
Symplectic model reduction of Hamiltonian systems using data-driven quadratic manifolds [0.559239450391449]
高次元ハミルトニアン系のシンプレクティックモデル還元のための2つの新しいアプローチを提案する。提案手法の中心に位置する状態近似への二次項の追加により、本質的な低次元性を表現することができる。
論文参考訳（メタデータ） (2023-05-24T18:23:25Z)
Spectral Representation Learning for Conditional Moment Models [33.34244475589745]
本研究では,不適切度を制御した表現を自動学習する手法を提案する。本手法は,条件付き期待演算子のスペクトル分解によって定義される線形表現を近似する。この表現をデータから効率的に推定できることを示し、得られた推定値に対してL2整合性を確立する。
論文参考訳（メタデータ） (2022-10-29T07:48:29Z)
Towards a Better Understanding of Linear Models for Recommendation [28.422943262159933]
2つの基本回帰および行列分解法に対する閉形式解の導出と解析を行う。閉形式解に対するパラメータ(ハイパーパラメータ)の探索に新しい学習アルゴリズムを導入する。実験の結果、基本モデルとその閉形式解は、確かに最先端モデルと非常に競合することを示した。
論文参考訳（メタデータ） (2021-05-27T04:17:04Z)
Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
テンソルの合同ベンチマークとクラスタリングの問題を考察する。本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-04-15T21:06:16Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Variational State and Parameter Estimation [0.8049701904919515]
本稿では,非線形状態空間モデルにおけるベイズ状態とモデルパラメータの計算問題について考察する。変化的アプローチは、望ましい、難解な分布を近似する仮定密度を提供するために使用される。提案手法は2つの数値例で,最先端のハミルトニアンモンテカルロと比較した。
論文参考訳（メタデータ） (2020-12-14T05:35:29Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。暗黙正則化現象の理論的保証を提供する。
論文参考訳（メタデータ） (2020-07-16T13:27:47Z)
Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文参考訳（メタデータ） (2020-06-24T17:53:53Z)

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。