論文の概要: A Possibility Frontier Approach to Diverse Talent Selection
- arxiv url: http://arxiv.org/abs/2510.06119v1
- Date: Tue, 07 Oct 2025 17:00:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:08.36453
- Title: A Possibility Frontier Approach to Diverse Talent Selection
- Title（参考訳）: 多様なタレント選択への可能性フロンティアアプローチ
- Authors: Neil Natarajan, Kadeem Noray,
- Abstract要約: 本稿では,コホート能力と多様性の上限を近似するアルゴリズムを提案する。
次に,SPFを用いて人材育成プログラムの選択効率を評価する。
2021年と2022年のサイクルにおいて、このプログラムは多様性と才能の両面でより良い結果を得たファイナリストのコホートを選択した。
- 参考スコア（独自算出の注目度）: 3.093890460224435
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Organizations (e.g., talent investment programs, schools, firms) are perennially interested in selecting cohorts of talented people. And organizations are increasingly interested in selecting diverse cohorts. Except in trivial cases, measuring the tradeoff between cohort diversity and talent is computationally difficult. Thus, organizations are presently unable to make Pareto-efficient decisions about these tradeoffs. We introduce an algorithm that approximates upper bounds on cohort talent and diversity. We call this object the selection possibility frontier (SPF). We then use the SPF to assess the efficiency of selection of a talent investment program. We show that, in the 2021 and 2022 cycles, the program selected cohorts of finalists that could have been better along both diversity and talent dimensions (i.e., considering only these dimensions as we subsequently calculated them, they are Pareto-inferior cohorts). But, when given access our approximation of the SPF in the 2023 cycle, the program adjusted decisions and selected a cohort on the SPF.
- Abstract（参考訳）: 組織(例えば、人材投資プログラム、学校、企業)は、有能な人々のコホートを選ぶことに興味がある。
そして組織は、多様なコホートを選択することにますます関心を寄せています。
自明な場合を除いて、コホート多様性と才能のトレードオフを測定することは、計算的に困難である。
このようにして、組織は現在、これらのトレードオフについてPareto非効率な決定を下すことができません。
本稿では,コホート能力と多様性の上限を近似するアルゴリズムを提案する。
我々はこのオブジェクトを選択可能性フロンティア(SPF)と呼ぶ。
次に,SPFを用いて人材育成プログラムの選択効率を評価する。
2021年と2022年のサイクルにおいて、このプログラムは多様性と才能の両面において優れた結果を得たファイナリストのコホートを選定した(つまり、その後計算したこれらの次元のみを考えると、彼らはパレート・インフェリア・コホートである)。
しかし、2023年のサイクルでSPFの近似にアクセスできると、プログラムは決定を調整し、SPFのコホートを選択した。
関連論文リスト
- Centralized Selection with Preferences in the Presence of Biases [25.725937202777267]
本論文は,候補を複数のグループに分けた設定に焦点をあて,いくつかのグループにおける候補の観測ユーティリティは,真のユーティリティよりも体系的に低い偏りを呈する。
アルゴリズムは、選好に関して準最適群フェアネスを達成するための選択を生成するとともに、分布的仮定の下で真の効用をほぼ最大化する証明と共に提示される。
論文 参考訳（メタデータ） (2024-09-07T19:47:13Z) - Best Arm Identification for Stochastic Rising Bandits [84.55453174601826]
SRB(Rising Bandits)は、選択される度に選択肢の期待される報酬が増加する、シーケンシャルな意思決定の問題をモデル化する。
本稿では,SRBの固定予算ベストアーム識別(BAI)問題に焦点をあてる。
R-UCBE と R-SR の2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-15T08:01:37Z) - A Unified Algorithm Framework for Unsupervised Discovery of Skills based
on Determinantal Point Process [53.86223883060367]
教師なしオプション発見における多様性とカバレッジは、実際には同じ数学的枠組みの下で統一可能であることを示す。
提案アルゴリズムであるODPPは,MujocoとAtariで作成した課題に対して,広範囲に評価されている。
論文 参考訳（メタデータ） (2022-12-01T01:40:03Z) - A suite of diagnostic metrics for characterizing selection schemes [45.74830585715129]
DOSSIERは、8つの手作りメトリクスからなる診断スイートである。
これらのメトリクスは、エクスプロイト、探索、およびそれらの相互作用のために、実験的に特定の能力を測定するように設計されている。
DOSSIERを6つの一般的な選択スキームに適用する: トランケーション、トーナメント、フィットネス共有、レキシケース、非支配的なソート、ノベルティ検索。
論文 参考訳（メタデータ） (2022-04-29T01:05:51Z) - Multi Stage Screening: Enforcing Fairness and Maximizing Efficiency in a
Pre-Existing Pipeline [20.17975729114442]
アクターがシーケンシャルスクリーニングプロセスを用いて選択決定を行うと考える。
最終段階では、費用がかかるが正確なテストが最終段階に進む個人に適用される。
選択過程における平等性を満たすアルゴリズムを提示する。
論文 参考訳（メタデータ） (2022-03-14T21:45:01Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Fair and Optimal Cohort Selection for Linear Utilities [0.0]
フェアコホート選択問題を導入し、単一のフェア分類器がそれ自身で構成された特定のアプリケーションを取り込んで、正確に$k$の候補群を選択する。
我々は,公平な分類器全体を一度に与えるオフライン設定と,候補者が到着した時点で分類されるオンライン設定の両方において,この問題に対する最適な時間アルゴリズムを与える。
論文 参考訳（メタデータ） (2021-02-15T17:26:46Z) - Generalization in portfolio-based algorithm selection [97.74604695303285]
ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。
ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
論文 参考訳（メタデータ） (2020-12-24T16:33:17Z) - Intersectional Affirmative Action Policies for Top-k Candidates
Selection [3.4961413413444817]
本研究では,トップk候補を応募者のプールから選抜する問題について検討する。
我々は,一部の候補者が歴史的かつ現在の不利を経験している状況を考える。
そこで本研究では,OECD国における学力評価と学士号取得のデータセットを用いて,この問題を解き,解析し,評価する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:27:18Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
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。