論文の概要: Fair Compromises in Participatory Budgeting: a Multi-Agent Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2507.17433v1
• Date: Wed, 23 Jul 2025 11:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.97531
• Title: Fair Compromises in Participatory Budgeting: a Multi-Agent Deep Reinforcement Learning Approach
• Title（参考訳）: 参加予算の公正な相違:多元的深層強化学習アプローチ
• Authors: Hugh Adams, Srijoni Majumdar, Evangelos Pournaras,
• Abstract要約: 投票の予算化は、選択肢の過負荷につながるプロジェクトについて、有権者が決定を下さなければならない」 意思決定支援に対するマルチエージェント強化学習アプローチは、投票の勝利率を増加させる投票戦略を特定することで、投票者にとって意思決定を容易にすることができる。 本稿では,多エージェント深部強化学習モデルを用いた意思決定支援のための,倫理的に整合した新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.8192907805418581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Participatory budgeting is a method of collectively understanding and addressing spending priorities where citizens vote on how a budget is spent, it is regularly run to improve the fairness of the distribution of public funds. Participatory budgeting requires voters to make decisions on projects which can lead to ``choice overload". A multi-agent reinforcement learning approach to decision support can make decision making easier for voters by identifying voting strategies that increase the winning proportion of their vote. This novel approach can also support policymakers by highlighting aspects of election design that enable fair compromise on projects. This paper presents a novel, ethically aligned approach to decision support using multi-agent deep reinforcement learning modelling. This paper introduces a novel use of a branching neural network architecture to overcome scalability challenges of multi-agent reinforcement learning in a decentralized way. Fair compromises are found through optimising voter actions towards greater representation of voter preferences in the winning set. Experimental evaluation with real-world participatory budgeting data reveals a pattern in fair compromise: that it is achievable through projects with smaller cost.
• Abstract（参考訳）: 参加型予算編成(Participatory budgeting)は、市民が予算の支出方法に投票する場合の支出優先事項を総合的に理解し、対処する方法であり、公的資金の分配の公平性を改善するために定期的に実施されている。 参加型予算設定では、有権者は‘選択過負荷’につながる可能性のあるプロジェクトで決定を下さなければならない。 意思決定支援に対するマルチエージェント強化学習アプローチは、投票の勝利率を増加させる投票戦略を特定することで、投票者にとって意思決定を容易にすることができる。 この新たなアプローチは、プロジェクトの公正な妥協を可能にする選挙設計の側面を強調することで、政策立案者を支援することもできる。 本稿では,多エージェント深部強化学習モデルを用いた意思決定支援のための,倫理的に整合した新しいアプローチを提案する。 本稿では,マルチエージェント強化学習におけるスケーラビリティの課題を分散的に克服するために,分岐ニューラルネットワークアーキテクチャを新たに導入する。 公正な妥協は、投票者の選好をより多く表現するための投票者行動の最適化によって見出される。 実際の参加型予算データによる実験的評価は、より少ないコストでプロジェクトを通して達成できるという、公正な妥協のパターンを明らかにしている。

関連論文リスト

• Upgrading Democracies with Fairer Voting Methods [0.6282171844772421]
  我々は、代替の優先投票手法を用いて、現実世界の民主主義をアップグレードする方法を示す。 スイスのアララウ市で適用された新たな参加型予算案を厳格に評価することで、大きな投票結果が明らかになる。 また、公正な投票方法を支持する市民が提示する強力な民主的価値観を明らかにした。
  論文  参考訳（メタデータ） (2025-05-20T13:31:43Z)
• The Cost Perspective of Liquid Democracy: Feasibility and Control [11.66206813243775]
  本稿では,投票・委任費用に対する予算制約を伴う液状民主主義の承認に基づくモデルについて検討する。 我々は、全体的なコストの最小化、短い委任パスの維持、投票力の過剰な集中を防ぐことに注力する。
  論文  参考訳（メタデータ） (2025-02-04T14:59:56Z)
• Efficient Lower Bounding of Single Transferable Vote Election Margins [56.12949230611067]
  STV (Single Transferable vote) は、複数議席の選挙において、優先的な比例投票方式である。 勝利のマージン(英: margin of victory)は、勝利者の集合を変えるために操作される必要のある最小数の投票である。 マージンの低い境界は、正確なマージンを計算するのが難しい場合、この目的のためにも使われる。
  論文  参考訳（メタデータ） (2025-01-24T13:39:23Z)
• Aligning AI with Public Values: Deliberation and Decision-Making for Governing Multimodal LLMs in Political Video Analysis [48.14390493099495]
  AIモデルが政治的トピックにどう対処すべきかは議論されているが、依然として困難であり、より優れたガバナンスが必要である。 本稿では、政治的に敏感なビデオを中心に、個人的および集団的な議論を通じて、大規模言語モデルのガバナンスについて検討する。
  論文  参考訳（メタデータ） (2024-09-15T03:17:38Z)
• Generative AI Voting: Fair Collective Choice is Resilient to LLM Biases and Inconsistencies [21.444936180683147]
  複雑な選好投票形式は、より単純な大政党選挙と比較して大きな矛盾を示す。 しかし、実世界で初めて直接民主主義における有権者の比例表現を示すことによって、平等な株式のような公正な投票集約手法が勝利であることも証明できる。
  論文  参考訳（メタデータ） (2024-05-31T01:41:48Z)
• Rank, Pack, or Approve: Voting Methods in Participatory Budgeting [2.326556516716391]
  スタンフォード参加予算プラットフォームは、150以上の予算プロセスで住民を巻き込むために使われてきた。 ここでは,K-approval,K- rank,knapsackプライマリ・バロットを用いて,これらのプロセスから匿名化された予算意見のデータセットを提示する。 投票方法が異なる投票方法を用いた投票ペアを用いて,選択したプロジェクトのコストに対する投票方法の効果を分析する。
  論文  参考訳（メタデータ） (2024-01-23T01:19:44Z)
• Consensus-based Participatory Budgeting for Legitimacy: Decision Support via Multi-agent Reinforcement Learning [3.3504365823045044]
  参加型予算編成(Participatory budgeting)は、投票結果が必ずしも公平でも包括的でもないプロセスである。 本稿では,新規かつ合法なコンセンサスに基づく参加型予算策定プロセスを紹介する。 投票者はお互いに対話し、現実的な妥協を行うのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-24T16:16:23Z)
• Learning Personalized Decision Support Policies [56.949897454209186]
  $texttModiste$は、パーソナライズされた意思決定支援ポリシーを学ぶためのインタラクティブツールである。 パーソナライズされたポリシは、オフラインポリシよりも優れており、コストを意識した環境では、パフォーマンスの低下を最小限に抑えて、発生したコストを削減することができる。
  論文  参考訳（メタデータ） (2023-04-13T17:53:34Z)
• Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
  本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。 我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。 シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
  論文  参考訳（メタデータ） (2021-02-13T19:25:52Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。