論文の概要: Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions

• arxiv url: http://arxiv.org/abs/2111.01235v1
• Date: Mon, 1 Nov 2021 19:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 12:43:52.197958
• Title: Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions
• Title（参考訳）: 不確実なコスト関数を持つユーザのための低コストアルゴリズムリコース
• Authors: Prateek Yadav, Peter Hase, Mohit Bansal
• Abstract要約: 本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
• 参考スコア（独自算出の注目度）: 74.00030431081751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of identifying algorithmic recourse for people affected by machine learning model decisions has received much attention recently. Some recent works model user-incurred cost, which is directly linked to user satisfaction. But they assume a single global cost function that is shared across all users. This is an unrealistic assumption when users have dissimilar preferences about their willingness to act upon a feature and different costs associated with changing that feature. In this work, we formalize the notion of user-specific cost functions and introduce a new method for identifying actionable recourses for users. By default, we assume that users' cost functions are hidden from the recourse method, though our framework allows users to partially or completely specify their preferences or cost function. We propose an objective function, Expected Minimum Cost (EMC), based on two key ideas: (1) when presenting a set of options to a user, it is vital that there is at least one low-cost solution the user could adopt; (2) when we do not know the user's true cost function, we can approximately optimize for user satisfaction by first sampling plausible cost functions, then finding a set that achieves a good cost for the user in expectation. We optimize EMC with a novel discrete optimization algorithm, Cost-Optimized Local Search (COLS), which is guaranteed to improve the recourse set quality over iterations. Experimental evaluation on popular real-world datasets with simulated user costs demonstrates that our method satisfies up to 25.89 percentage points more users compared to strong baseline methods. Using standard fairness metrics, we also show that our method can provide more fair solutions across demographic groups than comparable methods, and we verify that our method is robust to misspecification of the cost function distribution.
• Abstract（参考訳）: 機械学習モデル決定に影響を及ぼす人々のアルゴリズム的会話を特定するという問題は近年注目を集めている。 最近の作業は、ユーザ満足度と直接リンクされる、ユーザによるコストのモデルである。 しかし、すべてのユーザー間で共有される単一のグローバルなコスト関数を想定している。 これは、ユーザが機能変更に伴う異なるコストと機能に対して行動する意思について異なる好みを持っている場合、非現実的な仮定である。 本研究では,ユーザ固有のコスト関数の概念を形式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 デフォルトでは,ユーザのコスト関数はrecourseメソッドから隠されていると仮定するが,我々のフレームワークでは,ユーザの好みやコスト関数を部分的にあるいは完全に指定することができる。 提案する目的関数である「期待最小コスト(EMC)」は,(1)利用者に選択肢のセットを提示する場合,利用者が採用できる少なくとも1つの低コストソリューションが存在することが重要であり,(2)利用者の真のコスト関数を知らない場合には,まず可算コスト関数をサンプリングし,ユーザの満足度を概算し,期待するユーザにとって良好なコストを実現するためのセットを見つけることができる。 我々は,新しい離散最適化アルゴリズムであるコスト最適化局所探索 (cols) を用いてemcを最適化する。 ユーザコストをシミュレーションした人気のある実世界のデータセットの実験的評価により,強いベースライン法と比較して25.89ポイントのユーザを満足できることがわかった。 また, 標準的公平度指標を用いて, 比較した手法よりも, 集団間でより公平なソリューションを提供できることを示すとともに, コスト関数分布の誤特定にロバストな手法であることを検証した。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Learning Recourse Costs from Pairwise Feature Comparisons [22.629956883958076]
  本稿では,ユーザの好みを学習し,推測する際にユーザ入力を組み込む新しい手法を提案する。 我々はBradley-Terryモデルを用いて,非排他的人間比較調査を用いて特徴量コストを自動的に推定する手法を提案する。 MAP推定値を用いて,個々の特徴コストを効率よく学習し,これらの非排他的人為的調査が特徴コストの総括的集合を学習するのに十分であることを示す。
  論文  参考訳（メタデータ） (2024-09-20T23:04:08Z)
• User-Level Differential Privacy With Few Examples Per User [73.81862394073308]
  サンプルスカース方式では,各ユーザが少数のサンプルしか持たないため,以下の結果が得られる。 近似DPについては,任意の項目レベルDPアルゴリズムをユーザレベルDPアルゴリズムに汎用変換する。 ユーザレベル設定に指数的機構(McSherry, Talwar FOCS 2007)を適用するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-09-21T21:51:55Z)
• Towards User Guided Actionable Recourse [5.669106489320257]
  Actionable Recourse (AR)は、ユーザの行動可能な機能に対するコスト効率の高い変更を推奨し、望ましい結果を得るのに役立つ。 ユーザ優先行動規範(UP-AR)を特定するための勾配に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T18:06:09Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• Personalized Algorithmic Recourse with Preference Elicitation [20.78332455864586]
  PEARは、エンドユーザーのニーズに合わせてパーソナライズされたアルゴリズムの講義を提供する。 PEARは、ベイジアン選好引用からの洞察に基づいて、ターゲットユーザに対して選択セットクエリを尋ねることで、アクションのコストを反復的に見積もる。 実世界のデータセットに対する実証的な評価は、PEARがいかに高品質なパーソナライズされたリコースをほんの数イテレーションで生成するかを強調します。
  論文  参考訳（メタデータ） (2022-05-27T03:12:18Z)
• Multi-Step Budgeted Bayesian Optimization with Unknown Evaluation Costs [28.254408148839644]
  不均一な評価コストの設定に古典的な期待改善を一般化する非筋力的獲得関数を提案する。 我々の獲得関数は、様々な合成問題や実問題において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T02:18:26Z)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• Learning with User-Level Privacy [61.62978104304273]
  ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。 個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。 プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
  論文  参考訳（メタデータ） (2021-02-23T18:25:13Z)
• Active Preference Learning using Maximum Regret [10.317601896290467]
  本研究では,自律ロボットの動作を直感的に特定するための枠組みとして,能動的嗜好学習について検討する。 能動的嗜好学習では、ロボットがユーザの嗜好を学習する一連の選択肢から好む行動を選択する。
  論文  参考訳（メタデータ） (2020-05-08T14:31:31Z)

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。