論文の概要: Efficient Elicitation of Collective Disagreements
- arxiv url: http://arxiv.org/abs/2605.19521v1
- Date: Tue, 19 May 2026 08:23:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.201906
- Title: Efficient Elicitation of Collective Disagreements
- Title（参考訳）: 集団診断の効率化
- Authors: Mohamed Ouaguenouni, Felipe Garrido-Lucero, Umberto Grandi, César Hidalgo, Magdalena Tydrichova,
- Abstract要約: 我々は、一組の代替案について、有権者の集団間の不一致の構造を分析する。
調査は通常、ペア比較、参加者に対する単純で直感的な回答、あるいは選択肢よりも完全なランキングを求める。
- 参考スコア（独自算出の注目度）: 4.197504510335754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We analyze the structure of the disagreement among a population of voters over a set of alternatives. Surveys typically ask either for pairwise comparisons, simple and intuitive for participants, or full rankings over alternatives, eliciting the entire voters' preferences. Building on the observation that pairwise comparisons cannot distinguish structural disagreement from noise, we propose a stratified framework to identify the minimal aggregated preference information needed to compute a number of disagreement measures from the literature. Specifically, we introduce the plurality matrix, a generalization of pairwise comparisons that records, for every subset $S$ of alternatives, the probability that each $a \in S$ ranks first in $S$. We define the level of a disagreement measure as the smallest subset size needed to express it, showing that many existing notions, including rank-variance and divisiveness, sit at level $3$, proving that pairwise comparisons are not enough. In addition, we demonstrate the interest of going beyond level $3$ both theoretically and experimentally. To make these results actionable, we design two elicitation protocols to estimate the plurality matrix, exploring the trade-off between the number of required participants and the cognitive load requested to each of them.
- Abstract（参考訳）: 我々は、一組の代替案について、有権者の集団間の不一致の構造を分析する。
調査は通常、ペア比較、参加者の単純で直感的な比較、あるいは選択肢よりも完全なランク付けを求め、有権者全員の選好を引き出す。
そこで本稿では,複数文献からの相違点数を計算するのに必要となる最小限の集合的嗜好情報を特定するための階層化フレームワークを提案する。
具体的には、各サブセット$S$に対して、各$a \in S$が最初に$S$にランクされる確率を記録するペアワイズ比較の一般化である複数の行列を導入する。
我々は、不一致測度のレベルを、それを表現するのに必要な最小の部分集合サイズとして定義し、ランク分散や分割性を含む多くの既存の概念がレベル3$であり、ペア比較が十分でないことを証明している。
さらに、理論的にも実験的にも、レベル3ドルを超えることに関心を示す。
これらの結果を有効にするために,複数の行列を推定する2つのエリケーションプロトコルを設計し,各行列に要求される各参加者数と認知負荷とのトレードオフを探索する。
関連論文リスト
- Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。
クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。
我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
論文 参考訳（メタデータ） (2026-02-05T14:16:47Z) - Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。
補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
論文 参考訳（メタデータ） (2025-10-05T08:30:32Z) - Constrained Pareto Set Identification with Bandit Feedback [10.967572582187014]
意味不明の$Kの武器が与えられた場合、平均が他の腕よりも一様でない腕のセットを特定することが目的である。
我々は固定信頼度同定に重点を置いており、レースのようなアルゴリズムを著しく上回るアルゴリズムを導入している。
論文 参考訳（メタデータ） (2025-06-09T18:29:28Z) - Pairwise Calibrated Rewards for Pluralistic Alignment [32.82521299417802]
現在のアライメントパイプラインは、望ましい振る舞いという単一の普遍的な概念を前提としている。
複数の報酬関数にまたがる分布を通して、多様な人間の嗜好を反映することを提案する。
我々は,小さな外乱のないアンサンブルであっても,様々な好み分布を正確に表現できることを証明した。
論文 参考訳（メタデータ） (2025-05-17T18:38:24Z) - Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T16:06:29Z) - Crowdsourcing subjective annotations using pairwise comparisons reduces
bias and error compared to the majority-vote method [0.0]
本稿では,ランダムな誤差と測定バイアスが,主観的構成物のクラウドソースアノテーションにどのように入るかを理解するための理論的枠組みを提案する。
次に、Eloスコアとペア比較ラベリングを組み合わせたパイプラインを提案し、両種類の測定誤差を低減するために、ユビキタスな多数投票法より優れていることを示す。
論文 参考訳（メタデータ） (2023-05-31T17:14:12Z) - Ranking Inferences Based on the Top Choice of Multiway Comparisons [2.468314282946207]
本稿では、各試行においてランダムに選択された項目のうち、上位選択の観測データに基づいて、$n$アイテムのランキングを考察する。
これは、M$-wayランキングに対するプラケット=リュックモデルの有用な修正であり、最高選択のみを観測し、M=2$に対応する祝賀されたブラッドリー=テリー=リュックモデルの延長である。
論文 参考訳（メタデータ） (2022-11-22T02:34:52Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳（メタデータ） (2021-12-07T01:23:20Z) - Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise
Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。
本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。
提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文 参考訳（メタデータ） (2021-10-08T13:51:55Z)
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。