論文の概要: A QUBO Framework for Team Formation

• arxiv url: http://arxiv.org/abs/2503.23209v1
• Date: Sat, 29 Mar 2025 20:18:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:32:38.661188
• Title: A QUBO Framework for Team Formation
• Title（参考訳）: チーム形成のためのQUBOフレームワーク
• Authors: Karan Vombatkere, Evimaria Terzi, Theodoros Lappas,
• Abstract要約: チーム構成問題に対するすべてのコスト定義をキャプチャする、統合されたTeamFormationの定式化を導入します。 チームフォーメーション問題のQUBO定式化に基づく解法は,確立されたベースラインによる解法と少なくとも同等であることを示す。
• 参考スコア（独自算出の注目度）: 4.75871395031396
• License:
• Abstract: The team formation problem assumes a set of experts and a task, where each expert has a set of skills and the task requires some skills. The objective is to find a set of experts that maximizes coverage of the required skills while simultaneously minimizing the costs associated with the experts. Different definitions of cost have traditionally led to distinct problem formulations and algorithmic solutions. We introduce the unified TeamFormation formulation that captures all cost definitions for team formation problems that balance task coverage and expert cost. Specifically, we formulate three TeamFormation variants with different cost functions using quadratic unconstrained binary optimization (QUBO), and we evaluate two distinct general-purpose solution methods. We show that solutions based on the QUBO formulations of TeamFormation problems are at least as good as those produced by established baselines. Furthermore, we show that QUBO-based solutions leveraging graph neural networks can effectively learn representations of experts and skills to enable transfer learning, allowing node embeddings from one problem instance to be efficiently applied to another.
• Abstract（参考訳）: チーム構成問題は、専門家のセットとタスクを前提としており、各専門家はスキルのセットを持ち、タスクにはいくつかのスキルを必要とする。 目的は、専門家のコストを最小化しながら、必要なスキルのカバレッジを最大化する専門家のセットを見つけることである。 コストの異なる定義は、伝統的に異なる問題定式化とアルゴリズム的解を生み出してきた。 タスクカバレッジとエキスパートコストのバランスをとるチーム構成問題のすべてのコスト定義をキャプチャする、統合されたTeamFormationの定式化を導入します。 具体的には,2次非制約バイナリ最適化(QUBO)を用いて,異なるコスト関数を持つ3つのTeamFormation変種を定式化し,2つの異なる汎用解法を評価する。 チームフォーメーション問題のQUBO定式化に基づく解法は,確立されたベースラインによる解法と少なくとも同等であることを示す。 さらに、グラフニューラルネットワークを利用したQUBOベースのソリューションは、専門家やスキルの表現を効果的に学習し、伝達学習を可能にし、ある問題インスタンスからのノードの埋め込みを効率的に他の問題に適用できることを示す。

関連論文リスト

• A Unifying Post-Processing Framework for Multi-Objective Learn-to-Defer Problems [6.046591474843391]
  Learn-to-Deferは、学習アルゴリズムが独立した作業ではなく、人間専門家のチームとして機能することを可能にするパラダイムである。 本稿では,様々な制約下での学習・遅延システムに対するベイズ最適解を求める。 本アルゴリズムは,一組のベースラインに対する制約違反による改善を示す。
  論文  参考訳（メタデータ） (2024-07-17T16:32:30Z)
• Learning Task Decomposition to Assist Humans in Competitive Programming [90.4846613669734]
  タスク分解学習のための新しい目的,いわゆる値(AssistV)を導入する。 我々は、さまざまな分解されたソリューションに対して、人間の修理経験のデータセットを収集する。 人間の177時間以内の研究では、非専門家が33.3%の問題を解き、それらを3.3倍スピードアップさせ、無支援の専門家にマッチさせる権限を与える。
  論文  参考訳（メタデータ） (2024-06-07T03:27:51Z)
• Active Ranking of Experts Based on their Performances in Many Tasks [72.96112117037465]
  我々は、dタスクのパフォーマンスに基づいて、n名のエキスパートをランク付けする問題を考察する。 我々は,各専門家のペアに対して,各タスクにおいて他方よりも優れているという,単調な仮定を定めている。
  論文  参考訳（メタデータ） (2023-06-05T06:55:39Z)
• Conjunctive Query Based Constraint Solving For Feature Model Configuration [79.14348940034351]
  本稿では、制約満足度問題を解決するために共役クエリーを適用する方法を示す。 このアプローチは、構成タスクを解決するために、広範囲のデータベース技術の応用を可能にする。
  論文  参考訳（メタデータ） (2023-04-26T10:08:07Z)
• Neural Payoff Machines: Predicting Fair and Stable Payoff Allocations Among Team Members [13.643650155415484]
  ニューラルネットワークをトレーニングすることで,協調的なゲーム理論解を学習モデルに蒸留する方法を示す。 我々の手法はトレーニング分布から遠く離れたゲームに一般化できるモデルを作成する。 私たちのフレームワークの重要な応用は、説明可能なAIです。
  論文  参考訳（メタデータ） (2022-08-18T12:33:09Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Towards Collaborative Question Answering: A Preliminary Study [63.91687114660126]
  我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。 専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。 専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-24T14:27:00Z)
• Finding teams that balance expert load and task coverage [7.831410227443101]
  本稿では,各タスクが必須スキルとオプションスキルから構成される問題を考える。 BalancedTA問題(およびその変種)はNPハードであり、実際にそれを解決するために設計効率が良いことを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:04:15Z)
• Specialization in Hierarchical Learning Systems [0.0]
  我々は,専門家の階層における情報制約が,正規化の原則的方法を提供するだけでなく,専門化の強制にもどの程度役立つかを検討する。 我々は,問題空間を複数のサブプロブレムに分割し,個々の専門家が解決できる情報理論に基づくオンライン学習ルールを考案する。 本稿では, 分類, 回帰, 密度推定, 強化学習問題など, 様々な問題に対するアプローチの適用性について述べる。
  論文  参考訳（メタデータ） (2020-11-03T17:00:31Z)
• TAIP: an anytime algorithm for allocating student teams to internship programs [0.0]
  我々は、教育の文脈において、チームとタスクをマッチングする問題、特に学生のチームを編成し、インターンシッププログラムに割り当てるコンテキストに焦点をあてる。 まず、インターンシッププログラム問題のためのチーム割当の形式化を行い、それを最適に解くことの計算困難さを示す。 我々は、後に反復的なプロセスの改善を試みる初期チームのアロケーションを生成するアルゴリズムであるTAIPを提案する。
  論文  参考訳（メタデータ） (2020-05-19T09:50:38Z)

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。