論文の概要: Ranking-and-Selection with Multiple Correct Answers and Non-Answerable Estimates

• arxiv url: http://arxiv.org/abs/2606.21889v1
• Date: Sat, 20 Jun 2026 05:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 21:54:07.727877
• Title: Ranking-and-Selection with Multiple Correct Answers and Non-Answerable Estimates
• Title（参考訳）: 複数の正解と非解答推定値を用いたランク・アンド・セレクション
• Abstract要約: 本研究は,解答が一般的でないような構造化環境での定格ランク・アンド・セレクションについて検討する。 この現象は、マルチフィデリティのランク・アンド・セレクションや、ペア比較からコンドルチェットの勝者を特定するような問題に自然に現れる。 本稿では,解答受理集合,制限付き一般化確率比停止,最大値の最大値を求める解答ピットフォール分解に基づく統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.184862162193667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study fixed-precision ranking-and-selection in structured settings where the answer may be non-unique and where noisy estimates may temporarily admit no valid answer at all. This phenomenon arises naturally in problems such as multi-fidelity ranking-and-selection and identifying a Condorcet winner from pairwise comparisons. To address this, we propose a unified framework based on answer-wise acceptance sets, restricted generalized likelihood ratio stopping, and an answer-pitfall decomposition that yields a max-max-min characteristic value and a common sampling principle. We introduce ENDS, a general procedure that combines estimation, nomination, pitfall detection, and cost-aware information-directed selection. We instantiate ENDS for various problems by deriving explicit formulas. Extensive numerical experiments show that this unified recipe performs well across a broad range of pure-exploration problems and offers a practical framework and proof-of-concept algorithmic recipe.
• Abstract（参考訳）: 本研究では,解答が一般的でない場合や,解答が有効な解答を一時的に認めない場合などにおいて,定精度のランク・アンド・セレクションについて検討する。 この現象は、マルチフィデリティのランク・アンド・セレクションや、ペア比較からコンドルチェットの勝者を特定するような問題に自然に現れる。 そこで本研究では,解答の受理集合,制限された一般化確率比の停止,最大値の最大値と共通サンプリング原理を導出する解答ピットフォール分解に基づく統合フレームワークを提案する。 本稿では,評価,指名,落とし穴検出,コスト認識情報指向の選択を組み合わせた一般的な手順であるENDSを紹介する。 我々は、明示的な公式を導出することにより、さまざまな問題に対してENDSをインスタンス化する。 大規模な数値実験により、この統一されたレシピは、幅広い純粋探索問題に対してうまく機能し、実践的な枠組みと概念実証アルゴリズムのレシピを提供することが示された。

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)
• Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
  本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。 我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-03T02:56:26Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Dual-Directed Algorithm Design for Efficient Pure Exploration [9.728332815218181]
  我々は、最良腕識別を超えたトップ2のアプローチを拡張する純粋探索問題のための新しい設計原理を開発する。 情報指向選択と組み合わせて、トップ2のトンプソンサンプリングがベストアーム識別に最適であることを示す。 また,しきい値と$varepsilon$-best-arm識別のための最適なアルゴリズムも作成する。
  論文  参考訳（メタデータ） (2023-10-30T07:29:17Z)
• Piecewise-Stationary Combinatorial Semi-Bandit with Causally Related Rewards [5.347237827669861]
  本稿では,因果関係の報酬を用いた定常半帯域問題について検討する。 非定常環境では、ベースアームの分布の変化、報酬間の因果関係、またはその両方が報酬生成プロセスを変化させる。 この問題は半帯域設定で増加し、意思決定者は選択したアームの束の結果のみを観察する。
  論文  参考訳（メタデータ） (2023-07-26T12:06:13Z)
• Combining Deep Neural Reranking and Unsupervised Extraction for Multi-Query Focused Summarization [0.30458514384586394]
  CrisisFACTS Trackは、イベントトラッキングの領域におけるマルチストリームファクトフィニングのような課題に対処することを目的としている。 本稿では,Linear Programming (ILP) とMaximal Marginal Relevance (MMR) フレームワークの検索,再評価,統合の組み合わせを提案する。
  論文  参考訳（メタデータ） (2023-02-02T15:08:25Z)
• Open-Set Likelihood Maximization for Few-Shot Learning [36.97433312193586]
  我々はFew-Shot Open-Set Recognition (FSOSR) 問題、すなわちいくつかのラベル付きサンプルしか持たないクラスのインスタンスを分類する問題に取り組む。 提案手法では,推論時に非競合なクエリインスタンスを利用する。 既存のトランスダクティブ手法はオープンセットのシナリオではうまく動作しないという観測により,最大極大原理の一般化を提案する。
  論文  参考訳（メタデータ） (2023-01-20T01:56:19Z)
• Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
  問合せ予算で意思決定問題を定式化する。 我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。 我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-05T19:56:31Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。