論文の概要: Competing AI: How does competition feedback affect machine learning?

• arxiv url: http://arxiv.org/abs/2009.06797v4
• Date: Thu, 25 Mar 2021 04:04:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 05:23:06.254379
• Title: Competing AI: How does competition feedback affect machine learning?
• Title（参考訳）: 競合AI: 競争フィードバックは機械学習にどんな影響を及ぼすか?
• Authors: Antonio Ginart, Eva Zhang, Yongchan Kwon, James Zou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.350250426090893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This papers studies how competition affects machine learning (ML) predictors. As ML becomes more ubiquitous, it is often deployed by companies to compete over customers. For example, digital platforms like Yelp use ML to predict user preference and make recommendations. A service that is more often queried by users, perhaps because it more accurately anticipates user preferences, is also more likely to obtain additional user data (e.g. in the form of a Yelp review). Thus, competing predictors cause feedback loops whereby a predictor's performance impacts what training data it receives and biases its predictions over time. We introduce a flexible model of competing ML predictors that enables both rapid experimentation and theoretical tractability. We show with empirical and mathematical analysis that competition causes predictors to specialize for specific sub-populations at the cost of worse performance over the general population. We further analyze the impact of predictor specialization on the overall prediction quality experienced by users. We show that having too few or too many competing predictors in a market can hurt the overall prediction quality. Our theory is complemented by experiments on several real datasets using popular learning algorithms, such as neural networks and nearest neighbor methods.
• Abstract（参考訳）: 本稿では,競合が機械学習(ML)予測器に与える影響について検討する。 MLがよりユビキタスになるにつれて、しばしば企業によって顧客と競合するためにデプロイされる。 例えばYelpのようなデジタルプラットフォームでは、MLを使用してユーザの好みを予測し、推奨する。 おそらくユーザーの好みを正確に予測しているため、ユーザーによって質問されることが多いサービスもまた、追加のユーザーデータを取得する可能性が高い(yelpのレビューのような形で)。 このように、競合する予測器は、予測器のパフォーマンスが受信したトレーニングデータに影響を与え、時間とともに予測をバイアスするフィードバックループを引き起こす。 本稿では,高速実験と理論的トラクタビリティの両立を可能にする,競合するML予測器のフレキシブルモデルを提案する。 実証的および数学的分析により, 競争は, 一般人口よりも低いパフォーマンスで, 特定のサブ人口を専門とする。 さらに,予測器の専門化がユーザによる全体的な予測品質に与える影響を解析する。 市場における競合予測器が少なすぎるか多すぎるかは、全体の予測品質を損なう可能性がある。 本理論は,ニューラルネットワークや近距離法といった一般的な学習アルゴリズムを用いた実データ集合実験によって補完される。

関連論文リスト

• New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
  新規ユーザのための新しい離散イベント予測フレームワークを提案する。 提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。 数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-07-08T05:35:54Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Incorporating Experts' Judgment into Machine Learning Models [2.5363839239628843]
  場合によっては、ドメインの専門家は、機械学習モデルの予測と矛盾する可能性のある期待された結果について判断するかもしれません。 紛争を緩和するために専門家の判断を活用する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-04-24T07:32:49Z)
• 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)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Competition over data: how does data purchase affect users? [15.644822986029377]
  競合する予測者がラベル付きデータを取得して予測品質を向上させるとどうなるかを検討する。 この現象は、競合が各予測者に集団のサブセットを専門化するよう促すトレードオフによって自然に起こることを示す。
  論文  参考訳（メタデータ） (2022-01-26T06:44:55Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• How to "Improve" Prediction Using Behavior Modification [0.0]
  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。
  論文  参考訳（メタデータ） (2020-08-26T12:39:35Z)

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。