[論文レビュー] Exploration vs. Exploitation in Team Formation

Ramesh Johari, Vijay Kamble+2 more|arXiv (Cornell University)|Sep 18, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 5被引用数 3

ひとこと要約

この論文は、オンライン・ラーバー・プラットフォームにおけるチーム編成における探索と活用のトレードオフを研究し、チームのパフォーマンスをメンバーの最低品質または最高品質に基づいてモデル化する。適応的チームマッチングのための1チェーンおよび2チェーンアルゴリズムを提案し、p=0.5で最適戦略が逆転することを示している：p<0.5では1チェーンが優れるが、p>0.5では2チェーンが優れる。これは低スキルと高スキルの両領域におけるレグレット構造の違いに起因する。

ABSTRACT

An online labor platform faces an online learning problem in matching workers with jobs and using the performance on these jobs to create better future matches. This learning problem is complicated by the rise of complex tasks on these platforms, such as web development and product design, that require a team of workers to complete. The success of a job is now a function of the skills and contributions of all workers involved, which may be unknown to both the platform and the client who posted the job. These team matchings result in a structured correlation between what is known about the individuals and this information can be utilized to create better future matches. We analyze two natural settings where the performance of a team is dictated by its strongest and its weakest member, respectively. We find that both problems pose an exploration-exploitation tradeoff between learning the performance of untested teams and repeating previously tested teams that resulted in a good performance. We establish fundamental regret bounds and design near-optimal algorithms that uncover several insights into these tradeoffs.

研究の動機と目的

• オンライン・ラーバー・プラットフォーム上で能力が不明なワーカーのチームを求職にマッチングする課題に対処すること。
• チームパフォーマンスが構成ワーカーの能力にどのように依存するかをモデル化すること。2つの報酬構造（最弱リンクと最強リンク）を想定する。
• チームの成果からワーカーのタイプを学習しながら、レグレットを最小化する適応的マッチングアルゴリズムを設計すること。
• 未知のチームを学習する探索と、既知の優れたチームを再利用する活用との間の根本的トレードオフを分析すること。
• レグレットの上限を導出し、チーム編成のためのレジーム依存最適戦略を同定すること。

提案手法

• 各ワーカーが確率pで高品質（1）または低品質（0）である、大規模なワーカーのプールをモデル化する。
• チームは2名で構成され、チーム報酬はメンバーのタイプのmin（最弱リンク）またはmax（最強リンク）によって決定される。
• 個々のワーカーのタイプは観測されず、集計されたチームのパフォーマンス（1または0）のみが観測され、時間経過とともに推論を要する。
• 1チェーンおよび2チェーンの2つの適応的アルゴリズムを提案し、既知の低品質ペアのマッチングを非同期に探索する。
• エポックベースの探索を採用：1チェーンは1つのペアを1回ずつテストするが、2チェーンは2つのペアを同時にテストすることで情報量を増加させる。
• オракルが全ワーカーのタイプを事前に知っている場合との累積報酬損失を比較することで、レグレットを分析する。

実験結果

リサーチクエスチョン

• RQ1 チームパフォーマンスの集約ルール（最弱リンク対最強リンク）に応じて、チーム編成における探索と活用の最適バランスはどのように変化するか？
• RQ2 各報酬モデル下でのチーム編成における根本的レグレット上限は何か？
• RQ3 異なる適応的マッチング戦略（1チェーン対2チェーン）は、ワーカー品質分布が異なる条件下でどのようにパフォーマンスを発揮するか？
• RQ4 高品質ワーカーの確率pが何値のときに、1チェーンと2チェーンアルゴリズムの相対的パフォーマンスが逆転するか？
• RQ5 単純で短視眼的な戦略は特定のレジームでは最適である可能性があるが、そのような状況はどのような条件下で生じるか？

主な発見

• p < 0.5 の場合、1チェーンは2チェーンよりも低いレグレットを発生させる。これは、低品質ペアの累積数が少ないからである。
• p > 0.5 の場合、2チェーンは1チェーンよりも低いレグレットを発生させる。これは、2チェーンが低品質ペアの組み合わせをより効果的に減らせるからである。
• 1チェーンは、p ∈ [0,1] のすべての値において、2名の高品質ワーカー間のマッチング数が常に少ない。
• p > 0.5 の場合、2チェーンは1チェーンよりも低品質ワーカー同士のマッチング数が少ない。
• p = 0.5 におけるパフォーマンスの逆転は、アルゴリズムの本質的行動の違いによるものではなく、レグレットの特徴付けにおける不連続性に起因する。
• 短視眼的な戦略は一部のレジームでは非常に非効率であるが、他のレジームでは効果的である。これは、潜在的なワーカー品質分布に依存する。