Probably Approximately Consensus: 共通点を求めることに関する学習理論

arXiv:2604.21811v1 Announce Type: cross 要旨：オンライン対話プラットフォームの主要な目標の一つは、利用者の表れた好意を通じてコミュニティに広く合意を得られるアイデアを特定することです。しかし、コンセンサスの提起は、利用者が提供する特定の陳述のみを超えて拡張されるべきであり、特定のトピックの相対的な顕著さを包含すべきです。この問題は、潜在的高次元データを埋め込みと次元削減を通じて得られる一次元意見空間における区間としてコンセンサスをモデル化することで解決されました。我々は、潜在的な問題の分布に関する期待値を明示的に考慮する仮説区間内での期待合意を最大化する目的関数を定義しました。効率的な経験リスク最小化 (ERM) アルゴリズムを提案し、PAC 学習の保証を確立しました。初期の実験では、我々のアルゴリズムの性能を示し、最適なコンセンサス領域を特定するより効率的なアプローチを検討しました。既存の陳述サンプルに対する利用者の選択的なクエリーを通じて、必要なクエリーの数を実用的な数まで減らすことができることを発見しました。

arXiv:2604.21811v1 Announce Type: cross 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.