論文の概要: Performative Prediction in a Stateful World

• arxiv url: http://arxiv.org/abs/2011.03885v3
• Date: Wed, 23 Feb 2022 00:25:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 08:44:22.948488
• Title: Performative Prediction in a Stateful World
• Title（参考訳）: ステートフルな世界におけるパフォーマンス予測
• Authors: Gavin Brown, Shlomi Hod, Iden Kalemaj
• Abstract要約: デプロイされた機械学習モデルは、世界と相互作用し、影響を及ぼす予測をする。 このような予測の影響と、その影響を制御するための設計ツールを理解することは、現在進行中の課題である。 本稿では,対象個体群を配置した分類器に対する応答を,分類器と現在の状態の関数としてモデル化する理論的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.3007949058551534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deployed supervised machine learning models make predictions that interact with and influence the world. This phenomenon is called performative prediction by Perdomo et al. (ICML 2020). It is an ongoing challenge to understand the influence of such predictions as well as design tools so as to control that influence. We propose a theoretical framework where the response of a target population to the deployed classifier is modeled as a function of the classifier and the current state (distribution) of the population. We show necessary and sufficient conditions for convergence to an equilibrium of two retraining algorithms, repeated risk minimization and a lazier variant. Furthermore, convergence is near an optimal classifier. We thus generalize results of Perdomo et al., whose performativity framework does not assume any dependence on the state of the target population. A particular phenomenon captured by our model is that of distinct groups that acquire information and resources at different rates to be able to respond to the latest deployed classifier. We study this phenomenon theoretically and empirically.
• Abstract（参考訳）: デプロイされた機械学習モデルは、世界との相互作用や影響を予測する。 この現象はPerdomoらによって実行予測(ICML 2020)と呼ばれる。 このような予測と設計ツールの影響を理解することは、その影響を制御するために現在進行中の課題である。 本稿では, 対象の集団が配置された分類器に対する応答を, 分類器の関数としてモデル化し, 人口の現在の状態(分布)をモデル化する理論的枠組みを提案する。 2つの再訓練アルゴリズム、反復リスク最小化、ラジエ変種との平衡に収束するための必要十分条件を示す。 さらに、収束は最適分類器に近い。 したがって、perdomoらの結果を一般化する。perdomoは、パフォーマンスの枠組みが対象人口の状態に依存しないことを想定している。 我々のモデルが捉えた特定の現象は、最新のデプロイ分類器に対応するために異なるレートで情報とリソースを取得する異なるグループである。 この現象を理論的・実証的に研究する。

関連論文リスト

• Microfoundation Inference for Strategic Prediction [26.277259491014163]
  本稿では,人口に対する予測モデルの長期的影響をカプセル化した分布図の学習手法を提案する。 具体的には,エージェントの応答をコストユーティリティ問題としてモデル化し,そのコストを見積もる。 本稿では,この推定値の収束率と,クレジット・スコアリング・データセットの実証実験による品質評価について述べる。
  論文  参考訳（メタデータ） (2024-11-13T19:37:49Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Causal Forecasting:Generalization Bounds for Autoregressive Models [19.407531303870087]
  本稿では,予測のための「因果学習理論」の枠組みを紹介する。 統計的リスクと因果リスクの違いを特徴付ける。 これは時系列設定における因果一般化の理論的保証を提供する最初の研究である。
  論文  参考訳（メタデータ） (2021-11-18T17:56:20Z)
• 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)
• Predicting Deep Neural Network Generalization with Perturbation Response Curves [58.8755389068888]
  トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。 具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。 PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
  論文  参考訳（メタデータ） (2021-06-09T01:37:36Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Performative Prediction [31.876692592395777]
  本研究では,統計学,ゲーム理論,因果関係から概念を取り入れたパフォーマンス予測フレームワークを開発する。 概念的新奇性(conceptual novelty)は、私たちがパフォーマンス安定性と呼ぶ平衡概念である。 我々の主な成果は、ほぼ最小損失の演奏安定点への再訓練の収束に必要な十分条件である。
  論文  参考訳（メタデータ） (2020-02-16T20:29:42Z)

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。