論文の概要: Impartial Selection with Predictions

• arxiv url: http://arxiv.org/abs/2510.19002v1
• Date: Tue, 21 Oct 2025 18:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.443015
• Title: Impartial Selection with Predictions
• Title（参考訳）: 予測を伴う公平な選択
• Authors: Javier Cembrano, Felix Fischer, Max Klimm,
• Abstract要約: 相互推薦に基づくエージェントの選択について検討する。 エージェントの選択が、そのエージェントが選任した指名とは無関係であることを保証することで、この問題を回避している。 本研究は、最多の指名を受けたエージェントの集合の予測を与えられた場合、公平なメカニズムの性能をどの程度改善できるかを考察する。
• 参考スコア（独自算出の注目度）: 2.2056658502128834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the selection of agents based on mutual nominations, a theoretical problem with many applications from committee selection to AI alignment. As agents both select and are selected, they may be incentivized to misrepresent their true opinion about the eligibility of others to influence their own chances of selection. Impartial mechanisms circumvent this issue by guaranteeing that the selection of an agent is independent of the nominations cast by that agent. Previous research has established strong bounds on the performance of impartial mechanisms, measured by their ability to approximate the number of nominations for the most highly nominated agents. We study to what extent the performance of impartial mechanisms can be improved if they are given a prediction of a set of agents receiving a maximum number of nominations. Specifically, we provide bounds on the consistency and robustness of such mechanisms, where consistency measures the performance of the mechanisms when the prediction is accurate and robustness its performance when the prediction is inaccurate. For the general setting where up to $k$ agents are to be selected and agents nominate any number of other agents, we give a mechanism with consistency $1-O\big(\frac{1}{k}\big)$ and robustness $1-\frac{1}{e}-O\big(\frac{1}{k}\big)$. For the special case of selecting a single agent based on a single nomination per agent, we prove that $1$-consistency can be achieved while guaranteeing $\frac{1}{2}$-robustness. A close comparison with previous results shows that (asymptotically) optimal consistency can be achieved with little to no sacrifice in terms of robustness.
• Abstract（参考訳）: 我々は、委員会選考からAIアライメントまで多くの応用の理論的問題である、相互推薦に基づくエージェントの選択について検討する。 エージェントは選択され、選択されるので、他人の適格性についての真の意見を誤って表現して、自身の選択の機会に影響を与えることにインセンティブを与えることができる。 エージェントの選択が、そのエージェントが選任した指名から独立していることを保証することで、この問題を回避している。 従来の研究は、最も高い指名を受けたエージェントの指名数を近似する能力によって測定された、公平なメカニズムのパフォーマンスに強い限界を確立してきた。 本研究は,最大数の推薦を受けるエージェントの集合の予測を与えられた場合,公平なメカニズムの性能をどの程度向上させることができるかを検討する。 具体的には、予測が正確であり、予測が不正確である場合にその性能が堅牢である場合のメカニズムの性能を、一貫性が測定するメカニズムの一貫性と堅牢性に関するバウンダリを提供する。 1-O\big(\frac{1}{k}\big)$とロバストネス1-\frac{1}{e}-O\big(\frac{1}{k}\big)$である。 エージェントごとに1つの候補に基づいて1つのエージェントを選択する場合、$\frac{1}{2}$-robustnessを保証しながら1ドルの一貫性が達成できることを示す。 以前の結果と比較すると、(漸近的に)最適整合性はロバスト性の観点からほとんど、あるいは全く犠牲にすることなく達成できることを示している。

関連論文リスト

• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  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)
• Joint Scoring Rules: Zero-Sum Competition Avoids Performative Prediction [0.0]
  意思決定シナリオでは、プリンシパルは専門家エージェントから条件付き予測を使用して、選択を通知することができる。 予測精度を最適化するエージェントは、プリンシパルをより予測可能な行動に向けて操作するインセンティブを与え、プリンシパルが真の嗜好を決定的に選択できないようにする。 我々は,複数のエージェントの協調評価により,この不可能な結果を克服できることを実証した。
  論文  参考訳（メタデータ） (2024-12-30T06:06:45Z)
• Causal Strategic Learning with Competitive Selection [10.237954203296187]
  複数の意思決定者の下で因果戦略学習におけるエージェント選択の問題について検討する。 最適な選択規則は、最適なエージェントを選択することと、エージェントの改善を最大化するためのインセンティブを提供することの間のトレードオフであることを示す。 我々は、真の因果パラメータを回復するために、すべての意思決定者がまとめて採用しなければならない協調プロトコルを提供する。
  論文  参考訳（メタデータ） (2023-08-30T18:43:11Z)
• Pure Exploration under Mediators' Feedback [63.56002444692792]
  マルチアームバンディット(Multi-armed bandits)は、各インタラクションステップにおいて、学習者が腕を選択し、報酬を観察する、シーケンシャルな意思決定フレームワークである。 本稿では,学習者が仲介者の集合にアクセスできるシナリオについて考察する。 本稿では,学習者には仲介者の方針が知られていると仮定して,最適な腕を発見するための逐次的意思決定戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-29T18:18:21Z)
• Random Rank: The One and Only Strategyproof and Proportionally Fair Randomized Facility Location Mechanism [103.36492220921109]
  我々は、強い比例性は動機が良く基本的な公理であるが、その性質を満たす決定論的戦略防御機構は存在しないことを示した。 次に、予測において強い比例性を満たすランダムランクと呼ばれるランダム化メカニズムを同定する。 我々の主な特徴はランダムランクを、普遍的真理性、普遍的匿名性、期待における強い比喩性を達成するユニークなメカニズムとして特徴づけている。
  論文  参考訳（メタデータ） (2022-05-30T00:51:57Z)
• Trustworthy Preference Completion in Social Choice [36.91054060923998]
  すべての選択肢に対して線形順序を与えるようにエージェントに頼むのは非現実的であり、これらの部分的なランク付けは選好完了を行う必要がある。 信頼ベースのアンカー-kNNアルゴリズムは、信頼指向のケンダル-トー距離を持つエージェントの最も信頼できる隣人を見つけるために提案される。 最初の$k$信頼に値する隣接エージェントに対する特定の共通投票ルールは、確実性と紛争に基づいて、信頼に値する選好完了を行うために適用することができる。
  論文  参考訳（メタデータ） (2020-12-14T03:03:13Z)
• VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
  本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。 まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。 当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2020-04-19T18:00:58Z)
• Bounded Incentives in Manipulating the Probabilistic Serial Rule [8.309903898123526]
  確率的シリアルはインセンティブ互換ではない。 戦略行動による実質的な実用性の向上は、自己関心のエージェントがメカニズムを操作するきっかけとなる。 このメカニズムのインセンティブ比が$frac32$であることを示す。
  論文  参考訳（メタデータ） (2020-01-28T23:53:37Z)

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。