論文の概要: Strategic Classification in the Dark

• arxiv url: http://arxiv.org/abs/2102.11592v1
• Date: Tue, 23 Feb 2021 10:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:53:08.571326
• Title: Strategic Classification in the Dark
• Title（参考訳）: 暗黒における戦略的分類
• Authors: Ganesh Ghalme, Vineet Nair, Itay Eilat, Inbal Talgam-Cohen, and Nir Rosenfeld
• Abstract要約: 本稿では,分類規則と戦略エージェントの相互作用について検討する。 不透明度の価格を不透明度と透明性戦略燃焼分類器の予測誤差の違いとして定義する。 私たちの実験では、Hardt et al。 強靭な分類器は エージェントを暗く保つことで 影響を受けます
• 参考スコア（独自算出の注目度）: 9.281044712121423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strategic classification studies the interaction between a classification rule and the strategic agents it governs. Under the assumption that the classifier is known, rational agents respond to it by manipulating their features. However, in many real-life scenarios of high-stake classification (e.g., credit scoring), the classifier is not revealed to the agents, which leads agents to attempt to learn the classifier and game it too. In this paper we generalize the strategic classification model to such scenarios. We define the price of opacity as the difference in prediction error between opaque and transparent strategy-robust classifiers, characterize it, and give a sufficient condition for this price to be strictly positive, in which case transparency is the recommended policy. Our experiments show how Hardt et al.'s robust classifier is affected by keeping agents in the dark.
• Abstract（参考訳）: 戦略分類は、分類規則とそれが支配する戦略エージェントの間の相互作用を研究する。 分類器が知られているという仮定の下で、合理的なエージェントは特徴を操作してそれに対応する。 しかし、ハイステーク分類(例えば信用スコアリング)の多くの実生活シナリオでは、分類器はエージェントに明らかにされておらず、エージェントは分類器を学習してゲームもしようとする。 本稿では,戦略分類モデルをそのようなシナリオに一般化する。 不透明度は、不透明度と透明性戦略燃焼分類器の予測誤差の差として定義し、その特性付けを行い、透明性が推奨される政策である場合には、この価格が厳密に肯定的である十分な条件を与える。 私たちの実験では、Hardt et al。 強靭な分類器は エージェントを暗く保つことで 影響を受けます

関連論文リスト

• Strategic Classification With Externalities [11.36782598786846]
  戦略分類問題の新しい変種を提案する。 実世界のアプリケーションによって動機づけられた我々のモデルは、あるエージェントの操作が他のエージェントに影響を与えることを決定的に許している。 特定の仮定の下では、このエージェント操作ゲームの純粋なナッシュ平衡はユニークであり、効率的に計算できることが示される。
  論文  参考訳（メタデータ） (2024-10-10T15:28:04Z)
• SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery [55.72840638180451]
  Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。 自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。 モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
  論文  参考訳（メタデータ） (2024-08-26T15:53:50Z)
• Bayesian Strategic Classification [11.439576371711711]
  戦略分類における学習者による部分的情報公開の研究について検討する。 エージェントの操作能力を高めつつも,そのような部分的な情報公開が学習者の正確さにどのように寄与するかを示す。
  論文  参考訳（メタデータ） (2024-02-13T19:51:49Z)
• A Universal Unbiased Method for Classification from Aggregate Observations [115.20235020903992]
  本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。 提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
  論文  参考訳（メタデータ） (2023-06-20T07:22:01Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Towards Fair Classification against Poisoning Attacks [52.57443558122475]
  攻撃者が少数のサンプルを訓練データに挿入できる毒殺シナリオについて検討する。 本稿では,従来の防犯手法に適合する汎用的かつ理論的に保証された枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-18T00:49:58Z)
• Addressing Strategic Manipulation Disparities in Fair Classification [15.032416453073086]
  少数派の個人が、機能更新に高額な費用を払っていることがよく示されます。 マイノリティグループに対する戦略的操作コストを低減させる分類器を構築するための制約付き最適化フレームワークを提案する。 実世界の複数のデータセットに対して,本手法の有効性を実証的に示す。
  論文  参考訳（メタデータ） (2022-05-22T14:59:40Z)
• Trading via Selective Classification [3.5027291542274357]
  貿易戦略設計における二分法と三分法の選択的分類の適用について検討する。 第三級分類では、価格が上昇または下降するクラスに加えて、どちらの方向にも比較的小さな価格移動に対応する第三級を含む。
  論文  参考訳（メタデータ） (2021-10-28T06:38:05Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• The Role of Randomness and Noise in Strategic Classification [7.972516140165492]
  戦略的分類設定における最適分類器の設計問題について検討する。 多くの自然の場合において、与えられた最適解はプレイヤーが特徴ベクトルを決して変更しない構造を持つことを示す。 また、ノイズ信号が平衡結果を改善することも示している。
  論文  参考訳（メタデータ） (2020-05-17T21:49:41Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。