The prospect of a fair outcome triggers prosocial behaviour in the Centipede Game
Marco Saponara, António M. Fernandes, Elias Fernández Domingos, Ana Paiva, Tom Lenaerts
実装難易度
Hard
推論・学習コスト
Medium
想定用途
技術検証・論文読解補助
概要
Human decision-making reflects not only material incentives, but also concern for others' gains and the ability to understand others. However, the extent to which sensitivity to fairness interacts with aspects of social cognition and affects sequential social interactions requires further understanding. Here, we address this question through a behavioural experiment on sequential exchanges of…
何が新しいか
Human decision-making reflects not only material incentives, but also concern for others' gains and the ability to understand others. However, the extent to which sensitivity to fairness interacts…
何に使えるか
技術検証・論文読解補助
実装情報
- Paper URL
- あり
実装チェックリスト
実装または配布ページ
要確認Paper onlyの可能性があるため再実装前提で確認してください。
一次情報リンク
OKPaper
検証しやすさ
要確認公式実装が見つからないため、論文から再実装する前提です。
計算資源
未取得推論中心なら軽めですが、再学習時はGPUが必要になる可能性があります。
ライセンス
未取得配布元のLICENSE、モデルカード、Paperの利用条件を確認してください。
商用利用
未取得研究利用限定、データセット由来制限、API規約の有無を確認してください。
自社データで試すなら
製造業・材料開発のExcel/CSVデータに落とし込むための最初の手順です。
- 1まず自社データを、入力条件、目的変数、評価したい指標に分けて整理します。
- 2LightGBMやRandom Forestなどのベースラインを先に作り、この手法と比較します。
- 3評価指標はR2/RMSE、AUC、異常検知の再現率、実験回数削減率など、現場の意思決定に近いものを選びます。
- 4SHAPや特徴量重要度で、効いている因子が物理・化学・工程知識と矛盾しないか確認します。
実装難易度
Hard - 公式実装が見つからないため、論文から再実装する前提です。
必要リソース
- GPU目安: Medium
- データセット: 論文・リポジトリ側の指定を確認してください。
- 学習要否: 再学習や評価環境の準備が必要になる可能性があります。
- 推論中心なら軽めですが、再学習時はGPUが必要になる可能性があります。
実務で使う場合の注意点
- ライセンスと商用利用条件は、Paper / GitHub / Hugging Face の配布元で確認してください。
- 精度、再現性、計算コストはデータセットや評価条件に依存します。
- 個人情報や機密データを扱う場合は、入力データの保存先と外部API利用条件を確認してください。
関連記事
transformers — 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.
🤗 Transformersは、テキスト・ビジョン・音声など複雑なモデル定義をサポートするフレームワークで、インフェレンスターやトレーニングに使用できる。
sglang — SGLang is a high-performance serving framework for large language models and multimodal models.
SGLangは、大規模言語モデルのサービングフレームワークです。このライブラリは、高性能なサービスフレームワークで、大規模言語モデルのサービングをサポートしています。
ml-engineering — Machine Learning Engineering Open Book
Machine Learning Engineeringは、機械学習の開発と運用をサポートするためのリソースを提供する。
vllm — A high-throughput and memory-efficient inference and serving engine for LLMs
このリポジトリでは、私的なAIプラットフォームであるDocGPTを提供しています。