論文の概要: Incentives in Two-sided Matching Markets with Prediction-enhanced Preference-formation

• arxiv url: http://arxiv.org/abs/2109.07835v1
• Date: Thu, 16 Sep 2021 09:56:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 16:27:24.962466
• Title: Incentives in Two-sided Matching Markets with Prediction-enhanced Preference-formation
• Title（参考訳）: 予測強調による二面マッチング市場のインセンティブ
• Authors: Stefania Ionescu, Yuhao Du, Kenneth Joseph, Anik\'o Hann\'ak
• Abstract要約: 我々は,市場に復帰するエージェントが,短期的非最適に試合と対話することで,将来の予測に対処できることを示す。 我々は,エージェントを補助する予測機構と,それらをペアリングするマッチング機構とのフィードバックループを捉えるフォーマルな経済モデルを構築した。 予測の信頼性と精度が向上するにつれて、学校は対人交流攻撃を開始することによって徐々に成長していくことを示す。
• 参考スコア（独自算出の注目度）: 3.0204520109309843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-sided matching markets have long existed to pair agents in the absence of regulated exchanges. A common example is school choice, where a matching mechanism uses student and school preferences to assign students to schools. In such settings, forming preferences is both difficult and critical. Prior work has suggested various prediction mechanisms that help agents make decisions about their preferences. Although often deployed together, these matching and prediction mechanisms are almost always analyzed separately. The present work shows that at the intersection of the two lies a previously unexplored type of strategic behavior: agents returning to the market (e.g., schools) can attack future predictions by interacting short-term non-optimally with their matches. Here, we first introduce this type of strategic behavior, which we call an `adversarial interaction attack'. Next, we construct a formal economic model that captures the feedback loop between prediction mechanisms designed to assist agents and the matching mechanism used to pair them. This economic model allows us to analyze adversarial interaction attacks. Finally, using school choice as an example, we build a simulation to show that, as the trust in and accuracy of predictions increases, schools gain progressively more by initiating an adversarial interaction attack. We also show that this attack increases inequality in the student population.
• Abstract（参考訳）: 両面のマッチング市場は、規制された取引所がない状態でのペアエージェントとして長い間存在してきた。 典型的な例は学校選択であり、マッチングメカニズムは生徒と学校の選好を使って生徒を学校に割り当てる。 このような設定では、好みの形成は困難かつ重要である。 先行研究では、エージェントが好みを決定するのに役立つ様々な予測メカニズムが提案されている。 しばしば一緒に配置されるが、これらのマッチングと予測メカニズムはほとんど常に分離して分析される。 市場へ戻るエージェント(例:学校)は、短期のノンオプティマイズをマッチと相互作用させることで、将来の予測を攻撃できる。 ここではまず,このタイプの戦略行動を紹介し,これを「攻撃的相互作用攻撃」と呼ぶ。 次に,エージェントを補助する予測機構と,それらをペアリングするマッチング機構とのフィードバックループをキャプチャする形式的経済モデルを構築した。 この経済モデルにより、敵の相互作用攻撃を分析することができる。 最後に,学校選択を例として用いて,予測の信頼度や精度が向上するにつれて,対人的相互作用攻撃を開始することにより,学校が徐々に増加することを示すシミュレーションを構築した。 また,この攻撃は学生の不平等を増すことを示した。

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)
• Causal Strategic Classification: A Tale of Two Shifts [11.929584800629675]
  戦略行動と因果効果が,2つの相補的な分布シフトをいかに生み出すかを示す。 本稿では,この2つの力のバランスと時間とともに学習アルゴリズムを提案し,エンドツーエンドのトレーニングを可能にした。
  論文  参考訳（メタデータ） (2023-02-13T11:35:59Z)
• Adversarial Attacks are a Surprisingly Strong Baseline for Poisoning Few-Shot Meta-Learners [28.468089304148453]
  これにより、システムの学習アルゴリズムを騙すような、衝突する入力セットを作れます。 ホワイトボックス環境では、これらの攻撃は非常に成功しており、ターゲットモデルの予測が偶然よりも悪化する可能性があることを示す。 攻撃による「過度な対応」と、攻撃が生成されたモデルと攻撃が転送されたモデルとのミスマッチという2つの仮説を探索する。
  論文  参考訳（メタデータ） (2022-11-23T14:55:44Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Prediction [100.9772316028191]
  本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。 以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-01T05:12:22Z)
• M2I: From Factored Marginal Trajectory Prediction to Interactive Prediction [26.49897317427192]
  既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。 本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。 提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
  論文  参考訳（メタデータ） (2022-02-24T03:28:26Z)
• Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
  不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。 私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
  論文  参考訳（メタデータ） (2021-08-19T17:59:28Z)
• End-to-End Learning and Intervention in Games [60.41921763076017]
  ゲームにおける学習と介入のための統一的なフレームワークを提供する。 明示的および暗黙的な区別に基づく2つのアプローチを提案する。 分析結果は、実世界のいくつかの問題を用いて検証される。
  論文  参考訳（メタデータ） (2020-10-26T18:39:32Z)
• On Information Asymmetry in Competitive Multi-Agent Reinforcement Learning: Convergence and Optimality [78.76529463321374]
  協調的でない2つのQ-ラーニングエージェントの相互作用システムについて検討する。 この情報非対称性は、集団学習の安定した結果をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2020-10-21T11:19:53Z)

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。