Algorithmic Approach of Majority Voting With Agents’ Inclusiveness for Facility Resource Matching
Notice bibliographique
Résumé
In a two-sided matching with preferences, an agent has preferences over the agents from the other side. In a head-to-head election between any two matching, the agent votes for the matching with a better allocation in pairing based on its preference. A matchingMis popular when the number of votes forMis not less than the number of votes for any other matchingM′ in such an election. AU-popular matching is introduced recently with a two-sided matching model where U andWare the two sets of agents, but only the preferences of the agents fromUare emphasized, and the preferences of the agents fromWare ignored. The matching which is popular among the votes of the agents fromUis defined asU-popular. We consider such a model for a one-to-one matching where the agents fromUhave an inclusive mindset and want to integrate the voting decision of the agents fromWinto their voting process. In parallel, the agents fromWrely more on their ranking on the preference list of the agents fromUthan their own preferences due to the uncertainty involved in the construction of their preferences.We define an inclusive voting model with such a predominant-subordinate agent scenario (Uas predominant,Was subordinate) and prove that the Boston mechanism matching isU-popular under the model. However, it is possible that theU-popular matching is not the choice of the majority of agents. The choice to be neutral is added in the voting process, and theU-neutral matching type is introduced when the majority of agents vote for neutral. We characterize theU-neutral and max-sizeU-neutral matching under the inclusive voting model and propose a polynomial-time algorithm to determine a max-sizeU-neutral matching. The experiments we performed with synthetic instances endorse the algorithm based on the theoretical foundations established.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».