論文の概要: The Economical-Ecological Benefits of Matching Non-matching Socks

• arxiv url: http://arxiv.org/abs/2602.18221v1
• Date: Fri, 20 Feb 2026 14:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.342567
• Title: The Economical-Ecological Benefits of Matching Non-matching Socks
• Title（参考訳）: マッチしない靴下における経済的・生態的効果
• Authors: Teddy Lazebnik,
• Abstract要約: 靴下は大量生産され、交換されるが、その組み合わせは廃棄物に対して異常に脆弱である。 我々は、不適合なサノルファン靴下をペアリングすることの経済的・生態的価値と、この行動を妨げる社会的コストを定量化する。
• 参考スコア（独自算出の注目度）: 6.396288020763144
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Socks are produced and replaced at a massive scale, yet their paired use makes them unusually vulnerable to waste, as the loss of a single sock can strand usable wear-capacity and trigger premature replacement. In this study, we quantify the economic and ecological value of pairing non-matching \say{orphan} socks, and the social cost that discourages this behaviour. We formalize sock ownership as a sequential decision problem under uncertainty in which socks wear out and disappear stochastically during laundering, while public exposure induces a person-specific mismatch penalty. We conducted an in-person study to estimate mismatch sensitivity and diversity preference, linking behavioural heterogeneity to optimal mixing strategies. Using these results and a computer simulation-based evaluation of interpretable pairing policies, we show that strict matching can appear resource-frugal largely because it generates many sockless days, whereas controlled tolerance for mismatch sustains service and reduces stranded capacity across loss regimes. This study establishes the feasibility of matching non-matching socks while outlining its limitations and challenges.
• Abstract（参考訳）: 靴下は大量生産され、交換されるが、そのペアリングされた使用により、単一の靴下が失われたことで、使用可能な摩耗能力が損なわれ、早期の交換が引き起こされるため、廃棄物に対して異常に脆弱になる。 本研究では, 靴下を組むことの経済的・生態的価値と, その行動を妨げる社会的コストを定量化する。 我々は靴下オーナーシップを、洗浄中に靴下が磨耗し、確率的に消える不確実性の下でのシーケンシャルな決定問題として定式化し、公衆の暴露は個人固有のミスマッチペナルティを誘発する。 我々は,ミスマッチの感度と多様性の嗜好を推定し,行動の不均一性と最適な混合戦略を関連づけるため,個人で調査を行った。 これらの結果とコンピュータシミュレーションによるペアリングポリシーの評価により、厳密なマッチングは、多くの不吉な日を発生させるのに対して、ミスマッチに対する耐性はサービスを維持し、損失レギュレーション全体にわたって立ち往生容量を減少させるため、リソースフルーガルな結果が得られることが示された。 本研究は, その限界と課題を概説しながら, マッチングしない靴下の実現可能性を確立するものである。

関連論文リスト

• Lower Bounds on Adversarial Robustness for Multiclass Classification with General Loss Functions [4.562056072136493]
  任意の損失関数の下での多クラス設定における逆ロバストな分類について考察する。 学習者に依存しない頑健なリスク問題の二重化と偏心化を導出する。
  論文  参考訳（メタデータ） (2025-10-02T12:42:36Z)
• Accounting for Missing Covariates in Heterogeneous Treatment Estimation [17.09751619857397]
  生態学的推論に基づく新しい部分的識別戦略を導入する。 私たちのフレームワークは、他の方法では不可能であるよりもずっと厳密な境界を生成できることを示します。
  論文  参考訳（メタデータ） (2024-10-21T05:47:07Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Catastrophic Overfitting: A Potential Blessing in Disguise [51.996943482875366]
  FAT(Fast Adversarial Training)は、敵の堅牢性向上に効果があるとして、研究コミュニティ内で注目を集めている。 既存のFATアプローチではCOの緩和が進んでいるが, クリーンサンプルの分類精度が低下するにつれて, 対向ロバスト性の上昇が生じる。 クリーンな例と逆向きな例に特徴アクティベーションの相違を利用して,COの根本原因を分析した。 我々は, モデル性能を高めることを目的として, 「攻撃難読化」を実現するためにCOを活用する。
  論文  参考訳（メタデータ） (2024-02-28T10:01:44Z)
• Fairness under Covariate Shift: Improving Fairness-Accuracy tradeoff with few Unlabeled Test Samples [21.144077993862652]
  我々は、ラベル付きトレーニングセットとともに、ラベル付きテストサンプルの小さなセットのみが利用可能である教師なしのシステムで運用する。 我々は、損失定式化による最適化が、最先端のベースラインよりも優れていることを実験的に検証した。 提案手法は, それらの性能を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2023-10-11T14:39:51Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)
• On the Pitfalls of Heteroscedastic Uncertainty Estimation with Probabilistic Neural Networks [23.502721524477444]
  このアプローチがいかにして非常に貧弱だが安定な推定に繋がるかを示す合成例を示す。 問題を悪化させる特定の条件とともに、犯人をログライクな損失とみなす。 我々は、損失に対する各データポイントの寄与を、$beta$-exponentiated variance estimateによって重み付けする、$beta$-NLLと呼ばれる別の定式化を提案する。
  論文  参考訳（メタデータ） (2022-03-17T08:46:17Z)
• Fairness Measures for Regression via Probabilistic Classification [0.0]
  アルゴリズムフェアネス(英: Algorithmic Fairness)とは、機械学習アルゴリズムが最適化できる定量尺度として、公平性や合理的な扱いなどの概念を表現することである。 これは、分類公正度尺度が結果の比率を比較することで容易に計算され、同じ資格を持つ男性の割合が適格女性として選択されるような行動につながるためである。 しかし、そのような尺度は、価格や支払いの割当といった問題に対する継続的な回帰設定を一般化することは、計算的に困難である。 回帰設定では, 保護属性の異なる条件確率の比率として, 独立性, 分離性, 充足性基準の抽出可能な近似を導入する。
  論文  参考訳（メタデータ） (2020-01-16T21:53:26Z)

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。