Fugu-MT 論文翻訳(概要): Characterizing Necessary Losers to Explain Tournaments Solutions

論文の概要: Characterizing Necessary Losers to Explain Tournaments Solutions

arxiv url: http://arxiv.org/abs/2608.23446v2
Date: Mon, 31 Aug 2026 14:43:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:30.682227
Title: Characterizing Necessary Losers to Explain Tournaments Solutions
Title（参考訳）: トーナメントソリューションの解説に必要となる損失を特徴づける
Abstract要約: 本稿では,あるトーナメントルールで候補者が選ばれなかった理由を,公式に説明する問題について検討する。我々は、トーナメントの残りがどう完走するかとは無関係に、候補者が負けるサブターナメントを特定する。
参考スコア（独自算出の注目度）: 5.646709810999712
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the problem of formally explaining why a candidate was not selected by a given tournament rule, by identifying sub-tournaments in which the candidate loses independently of how the rest of the tournament is completed. We define destructive minimal supports as any minimal sub-tournament satisfying this property, which in formal explainable artificial intelligence corresponds to abductive explanations for the question "Why does the loser lose the tournament?". For six common tournament solutions (maximin, uncovered set and its weighted variant, top cycle, Copeland, and Borda) we provide characterizations of when a candidate is either a necessary loser or a possible winner, we determine the size of the smallest destructive minimal supports, complemented by polynomial-time algorithms for their computation except for the case of Borda and Copeland rules which we conjecture to also be polynomial.
Abstract（参考訳）: 本研究は, 大会の終了状況とは無関係に, 候補者が敗れたサブトーナメントを識別し, 特定のトーナメントルールで候補者が選抜されなかった理由を, 正式に説明する問題について考察する。我々は、破壊的最小限のサポートを、この特性を満たす最小限のサブタスクとして定義し、公式な説明可能な人工知能では、「なぜ敗者がトーナメントに負けるのか? 6つの共通トーナメント解 (maximin, uncovered set and its weighted variant, top cycle, Copeland, and Borda) に対して、候補が必要な敗者または可能な勝者であるときの特徴を与える。

関連論文リスト

Explaining Tournament Solutions with Minimal Supports [5.646709810999712]
各種大会ルールにおいて,候補者が勝者に現れる理由について,認定された説明を提供するという課題について検討する。我々は、大会の残りがどうやって終わるかに関わらず、候補者が勝つことが保証される、最小限のサポートと最小限のサブターナメントを識別する。
論文参考訳（メタデータ） (2025-09-11T09:55:50Z)
Greedy Algorithm for Structured Bandits: A Sharp Characterization of Asymptotic Success / Failure [50.46052024418364]
我々は,既知報酬構造を持つバンドイット問題における欲求(探索のみ)アルゴリズムについて検討する。我々の特徴は、任意のフィードバックで文脈的な帯域幅と対話的な意思決定にまで及ぶ。
論文参考訳（メタデータ） (2025-03-06T01:51:11Z)
Optimal bounds for dissatisfaction in perpetual voting [84.02572742131521]
我々は、投票者が何回も不満を抱いていないことを保証し、永遠の投票方法を考える。我々は、不満のサブ線形成長が可能な有権者行動に関する十分な条件を特定する。本稿では,専門家の助言による予測から得られた標準手法に基づいて,紛争条件下での不満をサブ線形に保証する投票手法を提案する。
論文参考訳（メタデータ） (2024-12-20T19:58:55Z)
Abductive and Contrastive Explanations for Scoring Rules in Voting [5.928530455750507]
我々は、ルールの採点のための帰納的および対照的な説明を計算するためのアルゴリズムを設計する。ボルダの法則では、最小の導出的説明の大きさの低い境界を求める。選好プロファイルの特性と最小誘引的説明の大きさの相関関係をシミュレーションにより同定する。
論文参考訳（メタデータ） (2024-08-23T09:12:58Z)
On Efficient Computation of DiRe Committees [2.741266294612776]
i) 任意のグループに分けられる候補者の組から成る委員会選挙について考えてみましょう。多様性制約は、各グループから$atleast$1の候補を選択することを規定している。表現制約は、承認された候補の非無効なセットを持つ各集団から$atleast$1の候補を選択することを規定している。
論文参考訳（メタデータ） (2024-02-29T17:13:30Z)
DCR: Divide-and-Conquer Reasoning for Multi-choice Question Answering with LLMs [9.561022942046279]
大規模言語モデル(LLM)の推論能力を高めるため,DCR(Divide and Conquer Reasoning)を提案する。まず、信頼性スコア(mathcalCS$)に基づいて質問を2つのサブセットに分類する。特に,質問を信頼性スコア(mathcalCS$)に基づいて2つのサブセットに分類する。
論文参考訳（メタデータ） (2024-01-10T14:38:46Z)
Efficient and Optimal Algorithms for Contextual Dueling Bandits under Realizability [59.81339109121384]
我々は,学習者が文脈情報を用いて2つの決定を下す連続的な決定設定であるK$コンテキストデュエルバンディット問題について検討するが,一方の判断が他方よりも優れていることを示唆する強調基準に基づくフィードバックのみを観察する。提案手法は, 最善応答後悔という新たな概念に対して, 最善応答後悔に対する最適後悔率を実現するアルゴリズムである。
論文参考訳（メタデータ） (2021-11-24T07:14:57Z)
The Complexity of Learning Approval-Based Multiwinner Voting Rules [9.071560867542647]
本研究は,ABCS(承認ベース委員会スコアリング)ルールのクラスに着目し,マルチウィンナ投票の学習可能性について検討する。我々のゴールは、少数のプロファイルの勝利委員会に関する情報を用いて、ターゲットルール(すなわち、対応するスコアリング機能を学ぶこと)を学ぶことである。我々は、ある委員会に与えられたプロファイルで勝利させるABCSルールが存在するかどうかを判断することが難しいことを証明している。
論文参考訳（メタデータ） (2021-10-01T08:25:05Z)
Online Model Selection: a Rested Bandit Formulation [49.69377391589057]
静止したバンディット設定における最善のアーム識別問題を紹介し,解析する。我々は、この問題の後悔の新しい概念を定義し、ゲームの終わりに最小の期待損失を持つ腕を常に再生するポリシーと比較します。最近のバンディット文献における既知のモデル選択の試みとは異なり、アルゴリズムは問題の特定の構造を利用して、予想される損失関数の未知のパラメータを学習する。
論文参考訳（メタデータ） (2020-12-07T08:23:08Z)
Adaptive Combinatorial Allocation [77.86290991564829]
割り当てが繰り返し選択され、戻り値は不明だが学習可能であり、決定には制約が伴う。我々のモデルは、複雑な制約があっても、両側のマッチングと一方のマッチングをカバーしています。
論文参考訳（メタデータ） (2020-11-04T15:02:59Z)
MS-Ranker: Accumulating Evidence from Potentially Correct Candidates for Answer Selection [59.95429407899612]
そこで我々は,MS-Ranker という,新しい強化学習に基づくマルチステップランキングモデルを提案する。我々は、候補の潜在的な正しさを明示的に考慮し、ゲーティング機構で証拠を更新する。我々のモデルは、外部リソースに依存しない既存の手法を著しく上回ります。
論文参考訳（メタデータ） (2020-10-10T10:36:58Z)
Query Complexity of Tournament Solutions [12.192470787877594]
我々は、コペランド集合、スレーター集合、マルコフ集合、バイパルチザン集合、未発見集合、バンクス集合、および最上位サイクルを見つけるアルゴリズムが、最悪の場合、$Omega(n2)$ edgesを問う必要があることを示す。肯定的な面では、入力トーナメントの上位サイクルのサイズが最大で1kドルであれば、上記のすべてのトーナメントソリューションが見つかることを証明して、クエリの複雑さを低く抑えることができる。
論文参考訳（メタデータ） (2016-11-18T18:19:32Z)

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。