論文の概要: Alternates, Assemble! Selecting Optimal Alternates for Citizens' Assemblies

• arxiv url: http://arxiv.org/abs/2506.15716v1
• Date: Mon, 02 Jun 2025 17:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.786891
• Title: Alternates, Assemble! Selecting Optimal Alternates for Citizens' Assemblies
• Title（参考訳）: オルタナト、アセンブル! 市民の集会に最適なオルタナトを選ぶ
• Authors: Angelos Assos, Carmel Baharav, Bailey Flanigan, Ariel Procaccia,
• Abstract要約: 自由主義民主主義は 市民集会を中心に ランダムに選ばれた人々が 政策問題について議論する 代替選択のための最適化フレームワークを提案する。 提案手法は,過去のデータを用いて降雨確率を推定し,予測された誤表現を最小限に抑えるために代替品を選択する。 実世界のデータを用いた経験的評価は,現状と比べ,代用を減らしながら表現性を著しく向上することを示した。
• 参考スコア（独自算出の注目度）: 1.5624421399300306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An increasingly influential form of deliberative democracy centers on citizens' assemblies, where randomly selected people discuss policy questions. The legitimacy of these panels hinges on their representation of the broader population, but panelists often drop out, leading to an unbalanced composition. Although participant attrition is mitigated in practice by alternates, their selection is not taken into account by existing methods. To address this gap, we introduce an optimization framework for alternate selection. Our algorithmic approach, which leverages learning-theoretic machinery, estimates dropout probabilities using historical data and selects alternates to minimize expected misrepresentation. We establish theoretical guarantees for our approach, including worst-case bounds on sample complexity (with implications for computational efficiency) and on loss when panelists' probabilities of dropping out are mis-estimated. Empirical evaluation using real-world data demonstrates that, compared to the status quo, our method significantly improves representation while requiring fewer alternates.
• Abstract（参考訳）: 熟考民主主義の影響力が増し、市民集会が中心となり、無作為に選ばれた人々が政策問題について議論する。 これらのパネルの正当性は、より広い人口の表現に基づいているが、パネリストはしばしば退場し、バランスの取れない構成へと繋がる。 参加者の誘惑は実際には代替によって緩和されるが、その選択は既存の方法では考慮されない。 このギャップに対処するために、代替選択のための最適化フレームワークを導入する。 学習理論を応用したアルゴリズムアプローチでは、過去のデータを用いて降雨確率を推定し、予測される誤表現を最小限に抑えるために代替品を選択する。 我々は,サンプルの複雑性(計算効率に影響を及ぼす)や,パネリストの離脱確率が誤って見積もられた場合の損失など,我々のアプローチに対する理論的保証を確立する。 実世界のデータを用いた経験的評価は,現状と比べ,代用を減らしながら表現性を著しく向上することを示した。

関連論文リスト

• A Principled Approach to Randomized Selection under Uncertainty [68.43987626137512]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Population-Proportional Preference Learning from Human Feedback: An Axiomatic Approach [6.578074497549894]
  評価対象者の嗜好の真の人口分布に比例して、集合的な意見や政策を整合できる新しい嗜好学習フレームワークを開発する。 提案手法は, 対比較データから直接, 評価対象人口分布の可能な集合を推定する。 本研究では,コンドルチェット優勝者の選考により,人口分布表現を円滑にトレードオフするソフトマックス緩和法を提案する。
  論文  参考訳（メタデータ） (2025-06-05T22:15:07Z)
• Partial-Label Learning with a Reject Option [3.1201323892302444]
  提案手法は,リジェクションオプション付き最寄りのラベル付き部分ラベル学習アルゴリズムを提案する。 提案手法は,非退行予測の数値と精度の最良のトレードオフを提供する。 リジェクションオプションなしで評価すると、最寄りのアプローチも競合予測性能を達成する。
  論文  参考訳（メタデータ） (2024-02-01T13:41:44Z)
• Adversarial Reweighting Guided by Wasserstein Distance for Bias Mitigation [24.160692009892088]
  データ中のマイノリティの下位表現は、学習中のサブポピュレーションの異なる扱いを困難にしている。 本稿では,このような表現バイアスに対処する新たな逆方向再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T15:46:11Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)

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。