論文の概要: Algorithmic Collective Action with Two Collectives

• arxiv url: http://arxiv.org/abs/2505.00195v1
• Date: Wed, 30 Apr 2025 21:39:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.179737
• Title: Algorithmic Collective Action with Two Collectives
• Title（参考訳）: 2つの集団を用いたアルゴリズム的集団行動
• Authors: Aditya Karan, Nicholas Vincent, Karrie Karahalios, Hari Sundaram,
• Abstract要約: 2つ以上の集団で集団行動を研究するための第1の枠組みを紹介する。 目的,戦略,規模,均一性が集団の有効性に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 18.045224609703897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given that data-dependent algorithmic systems have become impactful in more domains of life, the need for individuals to promote their own interests and hold algorithms accountable has grown. To have meaningful influence, individuals must band together to engage in collective action. Groups that engage in such algorithmic collective action are likely to vary in size, membership characteristics, and crucially, objectives. In this work, we introduce a first of a kind framework for studying collective action with two or more collectives that strategically behave to manipulate data-driven systems. With more than one collective acting on a system, unexpected interactions may occur. We use this framework to conduct experiments with language model-based classifiers and recommender systems where two collectives each attempt to achieve their own individual objectives. We examine how differing objectives, strategies, sizes, and homogeneity can impact a collective's efficacy. We find that the unintentional interactions between collectives can be quite significant; a collective acting in isolation may be able to achieve their objective (e.g., improve classification outcomes for themselves or promote a particular item), but when a second collective acts simultaneously, the efficacy of the first group drops by as much as $75\%$. We find that, in the recommender system context, neither fully heterogeneous nor fully homogeneous collectives stand out as most efficacious and that heterogeneity's impact is secondary compared to collective size. Our results signal the need for more transparency in both the underlying algorithmic models and the different behaviors individuals or collectives may take on these systems. This approach also allows collectives to hold algorithmic system developers accountable and provides a framework for people to actively use their own data to promote their own interests.
• Abstract（参考訳）: データ依存型アルゴリズムシステムは、より多くの生命領域に影響を与えているため、個人が自身の利益を宣伝し、説明可能なアルゴリズムを保持する必要性が高まっている。 意味のある影響力を持つためには、個人は集団行動に参加するために団結しなければならない。 このようなアルゴリズム的な集団行動に関与するグループは、サイズ、メンバーシップ特性、そして決定的な目的によって異なる可能性がある。 本研究では,データ駆動システムを操作するために戦略的に行動する2つ以上の集団を用いて,集団行動を研究するための第1の枠組みを紹介する。 複数の集団がシステムに作用するので、予期せぬ相互作用が起こる可能性がある。 このフレームワークは、言語モデルに基づく分類器と2つの集合がそれぞれの目的を達成しようとするレコメンデータシステムを用いて実験を行う。 目的,戦略,規模,均一性が集団の有効性に与える影響について検討する。 集団間の意図しない相互作用は極めて重要であり、孤立して行動する集団は目的を達成することができる(例えば、分類結果の改善や、特定の項目の促進など)が、第2集団が同時に行動する場合、第1集団の有効性は7,5\%$まで低下する。 推薦システムでは, 完全異種集団や完全同種集団が最も有効であり, 異種集団の影響は集団サイズに比べて二次的であることがわかった。 我々の結果は、基礎となるアルゴリズムモデルと、個人や集団がこれらのシステムにもたらす可能性のある異なる行動の両方において、より透明性の必要性を示唆している。 このアプローチにより、アルゴリズムシステム開発者が説明責任を負うことができ、人々が自分のデータを積極的に利用して自身の関心を広めるためのフレームワークを提供する。

関連論文リスト

• Statistical Collusion by Collectives on Learning Platforms [49.1574468325115]
  集団は自身の利益に合わせるためにプラットフォームに影響を与えようとするかもしれない。 この方法でプラットフォームに影響を与えるためには、集団が実行しなければならない計算を理解することが不可欠である。 これらの問題を理論的かつアルゴリズム的に処理するフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-02-07T12:36:23Z)
• Capability-Aware Shared Hypernetworks for Flexible Heterogeneous Multi-Robot Coordination [2.681242476043447]
  本稿では,単一アーキテクチャが各ロボットと現在の状況に動的に適応できるように,能力認識型共有ハイパーネットワークス(CASH)を提案する。 CASHは、ローカルな観察とロボットの個人的および集団的能力に基づいて、各ロボットに適応可能な共有意思決定戦略を符号化する。
  論文  参考訳（メタデータ） (2025-01-10T15:39:39Z)
• Equitable Federated Learning with Activation Clustering [5.116582735311639]
  フェデレートラーニング(Federated Learning)は、さまざまなクライアント間のコラボレーションを取り入れた、卓越した分散学習パラダイムである。 本稿では,クライアント同士の類似度に基づいて,クライアントを分類・クラスタ化する同値クラスタリングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-24T23:36:39Z)
• Data Similarity-Based One-Shot Clustering for Multi-Task Hierarchical Federated Learning [8.37314799155978]
  本研究では,データの類似性に基づいてユーザを効果的に識別し,グループ化できるワンショットクラスタリングアルゴリズムを提案する。 提案アルゴリズムはクラスタリングプロセスを強化するだけでなく,プライバシの懸念や通信のオーバーヘッド,学習モデルや損失関数の振る舞いに関する事前知識の必要性といった課題も克服する。
  論文  参考訳（メタデータ） (2024-10-03T17:51:21Z)
• Federated Two Stage Decoupling With Adaptive Personalization Layers [5.69361786082969]
  フェデレーション学習は、プライバシ制約を維持しながら分散学習を可能にする能力によって、大きな注目を集めている。 本質的には、学習の劣化と収束速度の低下を経験する。 等質なクライアントを同じ群にクラスタリングするという概念を採用することは自然であり、各群内のモデル重みのみを集約することができる。
  論文  参考訳（メタデータ） (2023-08-30T07:46:32Z)
• Beyond Submodularity: A Unified Framework of Randomized Set Selection with Group Fairness Constraints [19.29174615532181]
  グループフェアネス制約を組み込んだランダム化サブセット選択のための統一フレームワークを提案する。 我々の問題には、グローバルなユーティリティ関数と、各グループに対するグループユーティリティ関数のセットが含まれる。 我々の目的は、各実現可能な集合の選択確率を指定して、実現可能な部分集合にまたがる分布を生成することである。
  論文  参考訳（メタデータ） (2023-04-13T15:02:37Z)
• Joint Training of Deep Ensembles Fails Due to Learner Collusion [61.557412796012535]
  機械学習モデルのアンサンブルは、単一のモデルよりもパフォーマンスを改善する強力な方法として確立されている。 伝統的に、アンサンブルアルゴリズムは、ジョイントパフォーマンスの最適化を目標として、ベースラーナーを独立または逐次訓練する。 アンサンブルの損失を最小化することは、実際にはほとんど適用されないことを示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:07Z)
• Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? [90.35044668396591]
  機械学習における繰り返しのテーマはアルゴリズムによるモノカルチャーである。同じシステム、またはコンポーネントを共有するシステムは、複数の意思決定者によってデプロイされる。 意思決定者がトレーニングデータや特定のモデルなどのコンポーネントを共有すれば、より均一な結果が得られます。 我々はこの仮説をアルゴリズムフェアネスベンチマークで検証し、トレーニングデータの共有がホモジェナイゼーションを確実に悪化させることを示した。 結果の均質化に関する哲学的分析と社会的な課題を、デプロイされた機械学習システムに含めることに着目して結論付ける。
  論文  参考訳（メタデータ） (2022-11-25T09:33:11Z)
• Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
  本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。 チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-10-17T07:16:44Z)
• Observing a group to infer individual characteristics [1.0152838128195465]
  本研究では, 現地住民がエージェントの動きをどう支援するか, あるいは妨げるかを, 観測した動き情報のみに基づいて推定する新しいオブザーバアルゴリズムを提案する。 従来の教師付き学習アプローチとは異なり、このアルゴリズムは物理的な洞察とスケーリング引数に基づいており、トレーニングデータに依存しない。 このようなデータに依存しないアプローチは、クリーンでラベル付けされたデータが入手が困難な現実世界の多くの問題と関連している。
  論文  参考訳（メタデータ） (2021-10-12T09:59:54Z)
• Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
  協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。 CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
  論文  参考訳（メタデータ） (2021-03-15T13:16:03Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。