論文の概要: Strategic Instrumental Variable Regression: Recovering Causal Relationships From Strategic Responses

• arxiv url: http://arxiv.org/abs/2107.05762v1
• Date: Mon, 12 Jul 2021 22:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:38:29.597289
• Title: Strategic Instrumental Variable Regression: Recovering Causal Relationships From Strategic Responses
• Title（参考訳）: 戦略的帰納的変数回帰: 戦略的応答から因果関係を回復する
• Authors: Keegan Harris, Daniel Ngo, Logan Stapleton, Hoda Heidari, Zhiwei Steven Wu
• Abstract要約: 観測可能な特徴と予測したい結果の因果関係を回復するために,戦略的対応を効果的に活用できることが示される。 我々の研究は、機械学習モデルに対する戦略的応答と機器変数(IV)回帰との新たな関係を確立する。
• 参考スコア（独自算出の注目度）: 16.874125120501944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning algorithms often prompt individuals to strategically modify their observable attributes to receive more favorable predictions. As a result, the distribution the predictive model is trained on may differ from the one it operates on in deployment. While such distribution shifts, in general, hinder accurate predictions, our work identifies a unique opportunity associated with shifts due to strategic responses: We show that we can use strategic responses effectively to recover causal relationships between the observable features and outcomes we wish to predict. More specifically, we study a game-theoretic model in which a principal deploys a sequence of models to predict an outcome of interest (e.g., college GPA) for a sequence of strategic agents (e.g., college applicants). In response, strategic agents invest efforts and modify their features for better predictions. In such settings, unobserved confounding variables can influence both an agent's observable features (e.g., high school records) and outcomes. Therefore, standard regression methods generally produce biased estimators. In order to address this issue, our work establishes a novel connection between strategic responses to machine learning models and instrumental variable (IV) regression, by observing that the sequence of deployed models can be viewed as an instrument that affects agents' observable features but does not directly influence their outcomes. Therefore, two-stage least squares (2SLS) regression can recover the causal relationships between observable features and outcomes. Beyond causal recovery, we can build on our 2SLS method to address two additional relevant optimization objectives: agent outcome maximization and predictive risk minimization. Finally, our numerical simulations on semi-synthetic data show that our methods significantly outperform OLS regression in causal relationship estimation.
• Abstract（参考訳）: 機械学習アルゴリズムは、しばしば個人に対して、より好ましい予測を受けるために、観測可能な属性を戦略的に修正するよう促す。 結果として、予測モデルをトレーニングした分布は、デプロイメントで運用されているものとは異なる可能性がある。 このような分布変化は、一般的には正確な予測を妨げるが、我々の研究は、戦略的な反応によるシフトに関連するユニークな機会を識別する:我々は、観測可能な特徴と予測したい結果の間の因果関係を効果的に回復するために、戦略的応答を効果的に利用できることを示します。 より具体的には、プリンシパルが一連の戦略エージェント(例えば、大学志願者)に対して利害関係(例えば、カレッジgpa)を予測するために一連のモデルを展開するゲーム理論モデルについて研究する。 戦略エージェントは、より良い予測のために努力し、機能を変更する。 このような設定では、観測不能な条件変数は、エージェントの観測可能な特徴(例えば高校記録)と結果の両方に影響を与える可能性がある。 したがって、標準回帰法は一般にバイアス推定器を生成する。 本研究は,機械学習モデルに対する戦略的応答とインストゥルメンタル変数(iv)回帰との新たな関連性を確立するために,デプロイされたモデルのシーケンスがエージェントの可観測性に影響を与えるが,その結果に直接影響しない機器と見なすことができることを示す。 したがって、2段最小二乗(2SLS)回帰は観測可能な特徴と結果の間の因果関係を回復することができる。 因果回復以外にも,エージェントアウトカムの最大化と予測リスクの最小化という,関連する2つの最適化目標に対処するために,2sls法を構築することが可能です。 最後に, 半合成データを用いた数値シミュレーションにより, 因果関係推定におけるOLS回帰を著しく上回ることを示す。

関連論文リスト

• Automating Data Annotation under Strategic Human Agents: Risks and Potential Solutions [10.448052192725168]
  本稿では,機械学習モデルがモデル注釈付きサンプルで再訓練される場合の長期的影響について検討する。 モデルが再訓練されるにつれて、エージェントが肯定的な判断を受けやすいことが分かっています。 そこで本研究では,力学を安定化させる改良されたリトレーニングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-05-12T13:36:58Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Learning from Aggregate responses: Instance Level versus Bag Level Loss Functions [23.32422115080128]
  多くの実践的アプリケーションでは、学習者のプライバシを保護するために、学習者と共有する前にトレーニングデータを集約する。 本研究では,バッグレベルの損失とインスタンスレベルの損失の2つの自然損失関数について検討した。 本稿では,アグリゲート応答からの個人学習のメカニズムを提案し,リスクプライバシトレードオフの予測の観点から最適なバッグサイズを導出する。
  論文  参考訳（メタデータ） (2024-01-20T02:14:11Z)
• Linked shrinkage to improve estimation of interaction effects in regression models [0.0]
  回帰モデルにおける双方向相互作用項によく適応する推定器を開発する。 我々は,選択戦略では難しい推論モデルの可能性を評価する。 私たちのモデルは、かなり大きなサンプルサイズであっても、ランダムな森林のような、より高度な機械学習者に対して非常に競争力があります。
  論文  参考訳（メタデータ） (2023-09-25T10:03:39Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• When No-Rejection Learning is Consistent for Regression with Rejection [11.244583592648443]
  本研究では,すべてのデータを用いて予測を学習するノンリジェクト学習戦略について検討する。 本稿では,すべてのデータを用いて予測を学習するノンリジェクト学習戦略について検討する。
  論文  参考訳（メタデータ） (2023-07-06T11:43:22Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• A Locally Adaptive Interpretable Regression [7.4267694612331905]
  線形回帰は最も解釈可能な予測モデルの一つである。 本稿では,局所適応型解釈型回帰(LoAIR)を導入する。 我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
  論文  参考訳（メタデータ） (2020-05-07T09:26:14Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。