論文の概要: EMERGENT: Efficient and Manipulation-resistant Matching using GFlowNets
- arxiv url: http://arxiv.org/abs/2506.12033v1
- Date: Thu, 22 May 2025 21:25:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-22 23:32:14.592549
- Title: EMERGENT: Efficient and Manipulation-resistant Matching using GFlowNets
- Title（参考訳）: EMERGENT:GFlowNetsを用いた効率的かつマニピュレーション耐性マッチング
- Authors: Mayesha Tasnim, Erman Acar, Sennay Ghebreab,
- Abstract要約: EMERGENTは、一方のマッチングに対する生成フローネットワーク(GFlowNets)の新しいアプリケーションである。
我々の研究は、社会的選択機構を含むアプリケーションにおけるGFlowNetsの可能性を強調している。
- 参考スコア（独自算出の注目度）: 2.7446241148152253
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The design of fair and efficient algorithms for allocating public resources, such as school admissions, housing, or medical residency, has a profound social impact. In one-sided matching problems, where individuals are assigned to items based on ranked preferences, a fundamental trade-off exists between efficiency and strategyproofness. Existing algorithms like Random Serial Dictatorship (RSD), Probabilistic Serial (PS), and Rank Minimization (RM) capture only one side of this trade-off: RSD is strategyproof but inefficient, while PS and RM are efficient but incentivize manipulation. We propose EMERGENT, a novel application of Generative Flow Networks (GFlowNets) to one-sided matching, leveraging its ability to sample diverse, high-reward solutions. In our approach, efficient and manipulation-resistant matches emerge naturally: high-reward solutions yield efficient matches, while the stochasticity of GFlowNets-based outputs reduces incentives for manipulation. Experiments show that EMERGENT outperforms RSD in rank efficiency while significantly reducing strategic vulnerability compared to matches produced by RM and PS. Our work highlights the potential of GFlowNets for applications involving social choice mechanisms, where it is crucial to balance efficiency and manipulability.
- Abstract（参考訳）: 学校入校、住居、医療施設などの公共資源を割り当てるための公平で効率的なアルゴリズムの設計は、大きな社会的影響をもたらす。
個人がランク付けされた選好に基づいてアイテムに割り当てられる一方的なマッチング問題では、効率性と戦略の正当性の間に基本的なトレードオフが存在する。
既存のアルゴリズムであるRSD(Random Serial Dictatorship)、PS(Probabilistic Serial)、RM(Rランク最小化)は、このトレードオフの一方だけを捉えている。
本稿では,ジェネレーティブ・フロー・ネットワーク(GFlowNets)の新しいアプリケーションであるEMERGENTを提案する。
GFlowNetsをベースとした出力の確率性は操作のインセンティブを減少させる一方、高逆解は効率よく一致する。
実験の結果,EMERGENTはRMとPSのマッチよりも戦略的脆弱性を著しく低減し,ランク効率においてRSDよりも優れていた。
我々の研究は、GFlowNetsの社会的選択機構を含む応用の可能性を強調し、効率性とマニピュラビリティのバランスをとることが重要である。
関連論文リスト
- How Far Are We from Optimal Reasoning Efficiency? [22.726975408299822]
大きな推論モデル (LRM) は、拡張されたチェーン・オブ・ソート (CoT) 推論を通じて、顕著な問題解決能力を示す。
LRMはしばしば冗長で冗長な推論トレースを生成する。
既存の微調整手法は推論効率を改善することを目的としているが、その効率性を評価することは依然として困難である。
論文 参考訳（メタデータ） (2025-06-08T12:18:50Z) - A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning [61.403275660120606]
強化学習(Reinforcement Learning, RL)に基づく微調整は, 拡散モデルとブラックボックスの目的を整合させる強力なアプローチとして登場した。
拡散微調整のための新しいRLであるLOOP(Left-one-out PPO)を提案する。
以上の結果から, LOOPは様々なブラックボックス対象の拡散モデルを効果的に改善し, 計算効率と性能のバランスを良くすることを示す。
論文 参考訳（メタデータ） (2025-03-02T13:43:53Z) - Anti-Exploration by Random Network Distillation [63.04360288089277]
ランダムネットワーク蒸留 (RND) の条件付けは, 不確実性推定器として用いるのに十分な識別性がないことを示す。
この制限は、FiLM(Feature-wise Linear Modulation)に基づく条件付けによって回避できることを示す。
D4RLベンチマークで評価したところ、アンサンブルベースの手法に匹敵する性能を達成でき、アンサンブルのない手法よりも広いマージンで性能を向上できることがわかった。
論文 参考訳（メタデータ） (2023-01-31T13:18:33Z) - Contingency-Aware Influence Maximization: A Reinforcement Learning
Approach [52.109536198330126]
インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。
本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。
最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
論文 参考訳（メタデータ） (2021-06-13T16:42:22Z) - Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。
この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。
目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
論文 参考訳（メタデータ） (2020-07-01T14:24:58Z) - TensorOpt: Exploring the Tradeoffs in Distributed DNN Training with
Auto-Parallelism [21.980316675614787]
優れた並列化戦略は、ディープニューラルネットワーク(DNN)の分散トレーニングの効率を大幅に改善したり、コストを削減したりすることができる。
我々は,異なる目的間のトレードオフを可能にするために,並列化戦略の最適セットを探索する効率的なアルゴリズムFTを提案する。
我々はまた,ユーザが並列化戦略の詳細を気にすることなく分散DNNトレーニングジョブを実行できる,ユーザフレンドリーなシステムであるOptを開発した。
論文 参考訳（メタデータ） (2020-04-16T02:57:35Z)
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。