論文の概要: Algorithmic Collective Action with Multiple Collectives

• arxiv url: http://arxiv.org/abs/2508.19149v1
• Date: Tue, 26 Aug 2025 16:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.905443
• Title: Algorithmic Collective Action with Multiple Collectives
• Title（参考訳）: 複数の集団を用いたアルゴリズム的集団行動
• Authors: Claudio Battiloro, Pietro Greiner, Bret Nestor, Oumaima Amezgar, Francesca Dominici,
• Abstract要約: Algorithmic Collective Action (ACA) は、共有データフェーザへのコーディネートされた変更を規制側ポリシーとファーム側モデル設計を補完する。 ACAの文献の多くは単一の集合的な設定に焦点を当てていた。 我々は,複数の集団が同一システムに作用するACAに関する最初の理論的枠組みを提示する。
• 参考スコア（独自算出の注目度）: 10.953526453057579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As learning systems increasingly influence everyday decisions, user-side steering via Algorithmic Collective Action (ACA)-coordinated changes to shared data-offers a complement to regulator-side policy and firm-side model design. Although real-world actions have been traditionally decentralized and fragmented into multiple collectives despite sharing overarching objectives-with each collective differing in size, strategy, and actionable goals, most of the ACA literature focused on single collective settings. In this work, we present the first theoretical framework for ACA with multiple collectives acting on the same system. In particular, we focus on collective action in classification, studying how multiple collectives can plant signals, i.e., bias a classifier to learn an association between an altered version of the features and a chosen, possibly overlapping, set of target classes. We provide quantitative results about the role and the interplay of collectives' sizes and their alignment of goals. Our framework, by also complementing previous empirical results, opens a path for a holistic treatment of ACA with multiple collectives.
• Abstract（参考訳）: 学習システムが日々の意思決定に影響を及ぼすにつれて、アルゴリズム的集団行動(ACA)によるユーザ側のステアリングは、共有データフェーザへの協調的な変更を規制側ポリシーとファームサイドモデル設計を補完する。 現実の行動は伝統的に分散化され、複数の集団に分断されてきたが、それぞれの集団は大きさ、戦略、行動可能な目標が異なるが、ほとんどのACAの文献は単一の集合的設定に焦点を当てている。 本研究では,複数の集団が同一システムに作用するACAの理論的枠組みについて述べる。 特に、分類における集団行動に着目し、複数の集団が信号、すなわち、特徴の変化したバージョンと選択された、おそらく重複するターゲットクラスのセットとの間の関連を学習するために、分類器を偏見する方法について研究する。 我々は,集団の大きさと目標のアライメントの役割と相互作用に関する定量的な結果を提供する。 筆者らの枠組みは, 過去の経験的成果を補完することにより, 複数の集団によるACAの包括的治療の道を開く。

関連論文リスト

• Algorithmic Collective Action with Two Collectives [18.045224609703897]
  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。
  論文  参考訳（メタデータ） (2025-04-30T21:39:06Z)
• An Efficient Approach for Cooperative Multi-Agent Learning Problems [0.8287206589886881]
  本稿では,複数のエージェントの同時動作をモデル化する政策学習のための中心的枠組みを提案する。 本手法は,集中型手法に典型的なスケーラビリティ問題を克服する逐次的抽象化によるコーディネーション問題に対処する。 実験の結果,提案手法は多様なマルチエージェント学習環境におけるエージェントのコーディネートに成功していることがわかった。
  論文  参考訳（メタデータ） (2025-04-07T09:03:35Z)
• Multi Activity Sequence Alignment via Implicit Clustering [50.3168866743067]
  暗黙のクラスタリングによるシーケンスアライメントによる制約を克服する新しいフレームワークを提案する。 具体的には、列内のフレームをアライメントしながら、暗黙的なクリップレベルのクラスタリングを行うという考え方です。 実験の結果,提案手法は最先端の結果よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-16T14:28:46Z)
• Achieving Collective Welfare in Multi-Agent Reinforcement Learning via Suggestion Sharing [12.167248367980449]
  自己利益と集団福祉の対立は、しばしば共有福祉を達成する努力を妨げる。 この問題に対処する新しいマルチエージェント強化学習法(MARL)を提案する。 報酬、価値、ポリシーを共有する従来の協調型MARLソリューションとは異なり、エージェントがアクション提案を交換する新しいMARLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-16T19:44:44Z)
• Navigating Trade-offs: Policy Summarization for Multi-Objective Reinforcement Learning [10.848218400641466]
  多目的強化学習(MORL)は、複数の目的を含む問題を解決するために用いられる。 本稿では,MORL が生成する解集合をクラスタリングする手法を提案する。
  論文  参考訳（メタデータ） (2024-11-07T15:26:38Z)
• Generalized Few-Shot Continual Learning with Contrastive Mixture of Adapters [59.82088750033897]
  我々は,クラスおよびドメインインクリメンタルな状況を含む汎用FSCL (GFSCL) プロトコルを構築した。 一般的な連続学習手法は、目に見えない領域に一般化能力が乏しいことが判明した。 このようにして、視覚変換器(ViT)に基づくリハーサルフリーフレームワークであるContrastive Mixture of Adapters(CMoA)を提案する。
  論文  参考訳（メタデータ） (2023-02-12T15:18:14Z)
• An attention model for the formation of collectives in real-world domains [78.1526027174326]
  本研究では,サステナブル開発目標に沿った実世界のアプリケーションにエージェントの集合を形成することの問題点を考察する。 本稿では,注目モデルと整数線形プログラムの新たな組み合わせに基づく集合形成のための一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-04-30T09:15:36Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)
• CD-UAP: Class Discriminative Universal Adversarial Perturbation [83.60161052867534]
  単一の普遍的対向摂動(UAP)は、予測されたクラスラベルのほとんどを変更するために、すべての自然画像に追加することができる。 本稿では,対象ネットワークを騙して選択したクラスのみを誤分類する単一摂動を生成する,新たなユニバーサルアタック手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T09:26:42Z)

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。