論文の概要: Causal Strategic Linear Regression
- arxiv url: http://arxiv.org/abs/2002.10066v3
- Date: Thu, 25 Aug 2022 07:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 02:34:53.105572
- Title: Causal Strategic Linear Regression
- Title(参考訳): Causal Strategic Linear Regression
- Authors: Yonadav Shavit, Benjamin Edelman, Brian Axelrod
- Abstract要約: 信用スコアや学術試験のような多くの予測的な意思決定シナリオでは、意思決定者は、決定ルールを「ゲーム」するためにエージェントの正当性を説明するモデルを構築しなければならない。
私たちは、変更可能な属性の関数として、モデリングエージェントの結果の同時処理に参加します。
3つの異なる意思決定目標を最適化する意思決定ルールを学習するための効率的なアルゴリズムを提供する。
- 参考スコア(独自算出の注目度): 5.672132510411465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many predictive decision-making scenarios, such as credit scoring and
academic testing, a decision-maker must construct a model that accounts for
agents' propensity to "game" the decision rule by changing their features so as
to receive better decisions. Whereas the strategic classification literature
has previously assumed that agents' outcomes are not causally affected by their
features (and thus that strategic agents' goal is deceiving the
decision-maker), we join concurrent work in modeling agents' outcomes as a
function of their changeable attributes. As our main contribution, we provide
efficient algorithms for learning decision rules that optimize three distinct
decision-maker objectives in a realizable linear setting: accurately predicting
agents' post-gaming outcomes (prediction risk minimization), incentivizing
agents to improve these outcomes (agent outcome maximization), and estimating
the coefficients of the true underlying model (parameter estimation). Our
algorithms circumvent a hardness result of Miller et al. (2020) by allowing the
decision maker to test a sequence of decision rules and observe agents'
responses, in effect performing causal interventions through the decision
rules.
- Abstract(参考訳): 信用スコアやアカデミックテストのような多くの予測的な意思決定シナリオでは、意思決定者は、より良い意思決定を受けるために特徴を変更して決定ルールを「ゲーム」するためのエージェントの正当性を説明するモデルを構築しなければならない。
戦略分類文献では,従来,エージェントの成果は,その特徴に因果的に影響されないと仮定していた(したがって,戦略エージェントの目標が意思決定者をだましている)が,同時に,エージェントの成果を変更可能な属性の機能としてモデル化する作業に参加する。
我々の主な貢献として、我々は、エージェントのゲーム後の結果を正確に予測する(予測リスク最小化)、これらの結果を改善するためのエージェントのインセンティブを与える(エージェント結果の最大化)、真の基盤モデル(パラメータ推定)の係数を推定する、3つの異なる意思決定目標を、実現可能な線形環境で最適化するための効率的なアルゴリズムを提供する。
当社のアルゴリズムは,意思決定者が一連の決定ルールをテストし,エージェントの応答を観察し,決定ルールを通じて因果的介入を行うことで,millerら(2020)の困難さを回避している。
関連論文リスト
- Algorithmic Decision-Making under Agents with Persistent Improvement [9.296248945826084]
人間の戦略的行動下でのアルゴリズムによる意思決定について検討する。
まず、永続的な改善を特徴付ける動的モデルを開発する。
次に、意思決定者がエージェントの集団の中で最大の改善をインセンティブにするための最適なポリシーを設計する方法について研究する。
論文 参考訳(メタデータ) (2024-05-03T01:36:35Z) - Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。
L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。
我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
論文 参考訳(メタデータ) (2023-12-07T03:55:51Z) - Online Decision Mediation [72.80902932543474]
意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。
臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
論文 参考訳(メタデータ) (2023-10-28T05:59:43Z) - Causal Strategic Learning with Competitive Selection [10.237954203296187]
複数の意思決定者の下で因果戦略学習におけるエージェント選択の問題について検討する。
最適な選択規則は、最適なエージェントを選択することと、エージェントの改善を最大化するためのインセンティブを提供することの間のトレードオフであることを示す。
我々は、真の因果パラメータを回復するために、すべての意思決定者がまとめて採用しなければならない協調プロトコルを提供する。
論文 参考訳(メタデータ) (2023-08-30T18:43:11Z) - Rational Decision-Making Agent with Internalized Utility Judgment [91.80700126895927]
大規模言語モデル(LLM)は目覚ましい進歩を示し、従来のNLPアプリケーションを超えて複雑な多段階決定タスクを実行できるエージェントにLLMを開発するための重要な努力を惹きつけている。
本稿では,RadAgentを提案する。このRadAgentは,経験探索とユーティリティ学習を含む反復的なフレームワークを通じて,合理性の発展を促進する。
ToolBenchデータセットの実験結果は、RadAgentがベースラインよりも優れていることを示している。
論文 参考訳(メタデータ) (2023-08-24T03:11:45Z) - On the Complexity of Adversarial Decision Making [101.14158787665252]
決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。
我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
論文 参考訳(メタデータ) (2022-06-27T06:20:37Z) - Explainability's Gain is Optimality's Loss? -- How Explanations Bias
Decision-making [0.0]
説明は、アルゴリズムと人間の意思決定者とのコミュニケーションを促進するのに役立つ。
因果モデルに関する特徴に基づく説明のセマンティクスは、意思決定者の以前の信念から漏れを引き起こす。
このような違いは、準最適かつ偏った決定結果をもたらす可能性がある。
論文 参考訳(メタデータ) (2022-06-17T11:43:42Z) - Inverse Online Learning: Understanding Non-Stationary and Reactionary
Policies [79.60322329952453]
エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。
一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。
本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。
UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
論文 参考訳(メタデータ) (2022-03-14T17:40:42Z) - Bayesian Persuasion for Algorithmic Recourse [28.586165301962485]
いくつかの状況では、根底にある予測モデルはゲームを避け、競争上の優位性を維持するために意図的に秘密にされている。
我々はベイズ的説得のゲームのような設定を捉え、意思決定者は、例えばアクションレコメンデーションのようなシグナルを、望ましい行動を取るためのインセンティブを与える決定対象に送信する。
本稿では,最適化問題として最適なベイズ的インセンティブ互換(BIC)行動推薦ポリシーを見出すという意思決定者の問題を定式化し,線形プログラムを用いて解を特徴づける。
論文 参考訳(メタデータ) (2021-12-12T17:18:54Z) - Inverse Active Sensing: Modeling and Understanding Timely
Decision-Making [111.07204912245841]
我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。
意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
論文 参考訳(メタデータ) (2020-06-25T02:30:45Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。