論文の概要: How to "Improve" Prediction Using Behavior Modification

• arxiv url: http://arxiv.org/abs/2008.12138v4
• Date: Sat, 23 Jul 2022 08:37:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 21:30:53.977369
• Title: How to "Improve" Prediction Using Behavior Modification
• Title（参考訳）: 行動修正を用いた"Improve"予測の方法
• Authors: Galit Shmueli and Ali Tafti
• Abstract要約: データサイエンス研究者は予測を改善するアルゴリズム、モデル、アプローチを設計する。 より大きく、よりリッチなデータによって予測精度が向上する。 プラットフォームは、予測値に向かってユーザの振る舞いをプッシュすることで、より正確な予測精度を秘かに達成することができる。 我々の導出は、データ科学者、プラットフォーム、顧客、そして行動が操作される人間に対して、そのような行動修正がもたらす影響を解明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many internet platforms that collect behavioral big data use it to predict user behavior for internal purposes and for their business customers (e.g., advertisers, insurers, security forces, governments, political consulting firms) who utilize the predictions for personalization, targeting, and other decision-making. Improving predictive accuracy is therefore extremely valuable. Data science researchers design algorithms, models, and approaches to improve prediction. Prediction is also improved with larger and richer data. Beyond improving algorithms and data, platforms can stealthily achieve better prediction accuracy by pushing users' behaviors towards their predicted values, using behavior modification techniques, thereby demonstrating more certain predictions. Such apparent "improved" prediction can result from employing reinforcement learning algorithms that combine prediction and behavior modification. This strategy is absent from the machine learning and statistics literature. Investigating its properties requires integrating causal with predictive notation. To this end, we incorporate Pearl's causal do(.) operator into the predictive vocabulary. We then decompose the expected prediction error given behavior modification, and identify the components impacting predictive power. Our derivation elucidates implications of such behavior modification to data scientists, platforms, their customers, and the humans whose behavior is manipulated. Behavior modification can make users' behavior more predictable and even more homogeneous; yet this apparent predictability might not generalize when business customers use predictions in practice. Outcomes pushed towards their predictions can be at odds with customers' intentions, and harmful to manipulated users.
• Abstract（参考訳）: 行動ビッグデータを収集する多くのインターネットプラットフォームは、内部の目的や、個人化、ターゲティング、その他の意思決定にこの予測を利用するビジネス顧客(広告主、保険会社、治安部隊、政府、政治コンサルティング会社など)のためにそれを利用する。 したがって、予測精度の向上は極めて貴重である。 データサイエンス研究者は予測を改善するアルゴリズム、モデル、アプローチを設計する。 予測も大きくてリッチなデータで改善されている。 アルゴリズムやデータの改善に加えて、プラットフォームは、より特定の予測を示すために、ユーザの振る舞いを予測値にプッシュすることで、より優れた予測精度を達成することができる。 このような「改善された」予測は、予測と行動修正を組み合わせた強化学習アルゴリズムを用いることによって生じる。 この戦略は機械学習や統計学の文献にはない。 その性質を調査するには因果関係と予測記法を統合する必要がある。 この目的のために、Pearl's causal do(.)演算子を予測語彙に組み込む。 次に,行動修正による予測誤差を分解し,予測能力に影響する成分を同定する。 我々の導出は、データ科学者、プラットフォーム、顧客、そして行動が操作される人間に対するそのような行動修正の影響を解明する。 振る舞いの修正は、ユーザの振る舞いをより予測可能で、さらに均質にすることができるが、ビジネス顧客が実際に予測を使用すると、この明らかな予測可能性は一般化しない。 予測に向けてプッシュされた成果は、顧客の意図と相反するものであり、操作されたユーザにとって有害である。

関連論文リスト

• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Best of Many in Both Worlds: Online Resource Allocation with Predictions under Unknown Arrival Model [16.466711636334587]
  オンライン意思決定者は、到着や要求など、将来の変数に関する予測を得ることが多い。 意思決定者にとって予測精度は未知であるため、予測に盲目的に追従することは有害である。 我々は未知の予測精度に頑健な方法で予測を利用するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-21T04:57:32Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• Competing AI: How does competition feedback affect machine learning? [14.350250426090893]
  コンペティションによって予測者が特定のサブ人口に特化し、一般人口よりもパフォーマンスが悪くなることを示す。 市場に競合する予測者が多すぎるか多すぎることが、全体的な予測品質を損なう可能性があることを示す。
  論文  参考訳（メタデータ） (2020-09-15T00:13:32Z)
• Measuring Forecasting Skill from Text [15.795144936579627]
  我々は、人々が予測と予測スキルを説明するために使用する言語間の関係を探求する。 未来に関する人々の予測に関連付けられたテキスト上で計算される言語指標を多数提示する。 本研究では,言語のみに基づくモデルを用いて,予測スキルを正確に予測できることを実証する。
  論文  参考訳（メタデータ） (2020-06-12T19:04:10Z)

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。