論文の概要: Probably Approximately Consensus: On the Learning Theory of Finding Common Ground
- arxiv url: http://arxiv.org/abs/2604.21811v1
- Date: Thu, 23 Apr 2026 16:06:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.710754
- Title: Probably Approximately Consensus: On the Learning Theory of Finding Common Ground
- Title（参考訳）: おそらくおよそ合意:共通点発見の学習理論について
- Authors: Carter Blair, Ben Armstrong, Shiri Alouf-Heffetz, Nimrod Talmon, Davide Grossi,
- Abstract要約: 我々は、潜在的に高次元データから導かれる一次元の意見空間において、コンセンサスを間隔としてモデル化する。
我々は,効率的な経験的リスク最小化(ERM)アルゴリズムを提案し,PAC学習保証を確立する。
- 参考スコア（独自算出の注目度）: 14.350399184122502
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A primary goal of online deliberation platforms is to identify ideas that are broadly agreeable to a community of users through their expressed preferences. Yet, consensus elicitation should ideally extend beyond the specific statements provided by users and should incorporate the relative salience of particular topics. We address this issue by modelling consensus as an interval in a one-dimensional opinion space derived from potentially high-dimensional data via embedding and dimensionality reduction. We define an objective that maximizes expected agreement within a hypothesis interval where the expectation is over an underlying distribution of issues, implicitly taking into account their salience. We propose an efficient Empirical Risk Minimization (ERM) algorithm and establish PAC-learning guarantees. Our initial experiments demonstrate the performance of our algorithm and examine more efficient approaches to identifying optimal consensus regions. We find that through selectively querying users on an existing sample of statements, we can reduce the number of queries needed to a practical number.
- Abstract（参考訳）: オンライン討論プラットフォームの主な目標は、表現された嗜好を通じて、ユーザのコミュニティに広く同意できるアイデアを特定することである。
しかし、コンセンサス付与は、ユーザーが提供する特定のステートメントを超えて理想的に拡張し、特定のトピックの相対的なサリエンスを取り入れるべきである。
本稿では,1次元の意見空間において,埋め込みと次元減少による潜在的高次元データから,コンセンサスを間隔としてモデル化することでこの問題に対処する。
我々は,仮説区間内で期待される合意を最大化する目的を定義し,その期待が課題の基本的な分布の上にあり,その満足度を暗黙的に考慮する。
我々は,効率的な経験的リスク最小化(ERM)アルゴリズムを提案し,PAC学習保証を確立する。
最初の実験では、アルゴリズムの性能を実証し、最適なコンセンサス領域を特定するためのより効率的なアプローチについて検討した。
既存のステートメントのサンプルに対してユーザを選択的にクエリすることで,実用的な数に必要なクエリ数を削減できることがわかった。
関連論文リスト
- Wild Guesses and Mild Guesses in Active Concept Learning [0.0]
大規模言語モデル(LLM)による仮説を提唱したニューロシンボリック・ベイズ学習者のトレードオフについて検討する。
我々は,推定情報ゲイン(EIG)を最大化するためにクエリを選択するRational Active Learnerと,人型陽性テスト戦略(PTS)を比較した。
以上の結果から,「確認バイアス」は認知的誤りではなく,人間の思考に特徴的な疎明でオープンな仮説空間において,抽出可能な推論を維持するための合理的適応である可能性が示唆された。
論文 参考訳（メタデータ） (2026-02-06T16:04:44Z) - A Novel Data-Dependent Learning Paradigm for Large Hypothesis Classes [4.299934797034146]
実験的な推定値の一様収束を真の損失に導くには大きすぎる候補モデルの集合を用いて学習する一般的な課題に対処する。
本稿では,経験的データのより強力な取り込みと,事前の仮定に基づくアルゴリズムによる決定の少ない学習パラダイムを提案する。
論文 参考訳（メタデータ） (2025-11-13T06:02:55Z) - Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。
我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
論文 参考訳（メタデータ） (2025-05-29T17:56:05Z) - Individualised Counterfactual Examples Using Conformal Prediction Intervals [12.895240620484572]
機械学習の分類モデルに典型的な高次元の特徴空間は、決定に多くの反実例を許容する。
我々は,個人の知識を明示的にモデル化し,共形予測間隔の幅によって個人が行う予測の不確実性を評価する。
ハイパーキューブ上に合成データセットを配置し、決定境界を完全に視覚化する。
第2に、この合成データセットにおいて、1つのCPICFが、元のクエリの周囲の個々の知識に与える影響を探索する。
論文 参考訳（メタデータ） (2025-05-28T13:13:52Z) - Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。
本稿では,観察的および介入的設定における各変数の限界分布の比較に依拠する,介入忠実性の新たな変種を紹介する。
また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
論文 参考訳（メタデータ） (2024-05-28T16:07:17Z) - Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T16:06:29Z) - Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。
偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。
本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文 参考訳（メタデータ） (2023-06-19T18:25:44Z) - Beyond Individualized Recourse: Interpretable and Interactive Summaries
of Actionable Recourses [14.626432428431594]
本稿では,Actionable Recourse Agnostic (AReS) と呼ばれる新しいモデルフレームワークを提案する。
説明文の正当性と解釈可能性の両面を同時に最適化する新たな目的を定式化する。
当社のフレームワークは,ブラックボックスモデルに対応するリコースの包括的概要を意思決定者に提供する。
論文 参考訳（メタデータ） (2020-09-15T15:14:08Z)
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。