論文の概要: Generalized Strategic Classification and the Case of Aligned Incentives

• arxiv url: http://arxiv.org/abs/2202.04357v1
• Date: Wed, 9 Feb 2022 09:36:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-10 22:04:36.651848
• Title: Generalized Strategic Classification and the Case of Aligned Incentives
• Title（参考訳）: 一般化戦略分類とアライメントインセンティブの事例
• Authors: Sagi Levanon and Nir Rosenfeld
• Abstract要約: 戦略的なユーザー行動の理由について、より広い視点で議論する。 我々のモデルは現在のモデルの多くを仮定するが、他の新しい設定を含んでいる。 結果とアプローチが,最も一般的なケースにどのように拡張できるかを示す。
• 参考スコア（独自算出の注目度）: 16.607142366834015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicative machine learning models are frequently being used by companies, institutes and organizations to make choices about humans. Strategic classification studies learning in settings where self-interested users can strategically modify their features to obtain favorable predictive outcomes. A key working assumption, however, is that 'favorable' always means 'positive'; this may be appropriate in some applications (e.g., loan approval, university admissions and hiring), but reduces to a fairly narrow view what user interests can be. In this work we argue for a broader perspective on what accounts for strategic user behavior, and propose and study a flexible model of generalized strategic classification. Our generalized model subsumes most current models, but includes other novel settings; among these, we identify and target one intriguing sub-class of problems in which the interests of users and the system are aligned. For this cooperative setting, we provide an in-depth analysis, and propose a practical learning approach that is effective and efficient. We compare our approach to existing learning methods and show its statistical and optimization benefits. Returning to our fully generalized model, we show how our results and approach can extend to the most general case. We conclude with a set of experiments that empirically demonstrate the utility of our approach.
• Abstract（参考訳）: 述語機械学習モデルは、企業や機関、組織が人間の選択に頻繁に使われている。 戦略的分類研究 自己関心のあるユーザが自身の機能を戦略的に修正して、望ましい予測結果を得ることができる設定で学習する。 しかし、重要な仕事の前提は、常に「好ましくない」とは「肯定的」という意味であり、これはいくつかのアプリケーション(例えば、ローン承認、大学入学、雇用など)に当てはまるが、ユーザーの興味がどんなものかというかなり狭い見方に還元される。 本研究では,戦略的ユーザ行動に対する説明について,より広い視点から議論し,汎用的戦略的分類の柔軟なモデルを提案し,検討する。 一般化されたモデルでは、現在のモデルの大半を仮定するが、他の新しい設定も含んでいる。 この協調的な設定のために,我々は詳細な分析を行い,効果的かつ効率的な実践的な学習手法を提案する。 既存の学習手法と比較し、その統計的および最適化の利点を示す。 完全に一般化したモデルに戻ると、結果とアプローチが最も一般的なケースにどのように拡張できるかを示します。 我々は、我々のアプローチの有用性を実証的に示す一連の実験で結論付けた。

関連論文リスト

• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Towards a Unified View of Preference Learning for Large Language Models: A Survey [88.66719962576005]
  大きな言語モデル(LLM)は、非常に強力な能力を示す。 成功するための重要な要因の1つは、LLMの出力を人間の好みに合わせることである。 選好学習のすべての戦略を、モデル、データ、フィードバック、アルゴリズムの4つの構成要素に分解する。
  論文  参考訳（メタデータ） (2024-09-04T15:11:55Z)
• Classification Under Strategic Self-Selection [13.168262355330299]
  自己選択が学習に与える影響と,学習が自己選択集団の構成に及ぼす影響について検討した。 本稿では,自己選択行動下での学習を効果的に最適化できる,識別可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T11:37:56Z)
• Scalable and Equitable Math Problem Solving Strategy Prediction in Big Educational Data [2.86829428083307]
  我々はMVecと呼ばれる埋め込みを開発し、学生の熟達度に基づいて表現を学習する。 次に、これらの埋め込みを非パラメトリッククラスタリング法でクラスタ化する。 提案手法は,大規模データセットの小さなサンプルをトレーニングすることで,高精度にスケールアップ可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-07T19:51:10Z)
• MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
  本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。 これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。 モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
  論文  参考訳（メタデータ） (2023-04-10T15:44:50Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Strategic Classification with Graph Neural Networks [10.131895986034316]
  学習にグラフを使用すると、予測にユーザ間の依存関係が導入される。 本稿では,グラフに基づく分類器の戦略的ロバスト学習のための微分可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:11:25Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Strategic Classification Made Practical [8.778578967271866]
  本稿では,戦略分類のための学習フレームワークを提案する。 当社のアプローチは,ユーザの戦略的対応を通じて差別化することで達成される,"戦略的"経験的リスクを直接的に最小化する。 様々な学習環境におけるアプローチの有効性について実験を行った。
  論文  参考訳（メタデータ） (2021-03-02T16:03:26Z)
• Predicting Engagement in Video Lectures [24.415345855402624]
  本稿では,文脈に依存しないエンゲージメントを予測するための,ビデオ講義の大規模データセットを提案する。 この課題を達成するために、クロスモーダルとモダリティ固有の特徴セットを提案する。 データ不足の場合、我々のアプローチを実演する。
  論文  参考訳（メタデータ） (2020-05-31T19:28:16Z)
• Three Approaches for Personalization with Applications to Federated Learning [68.19709953755238]
  本稿では,パーソナライゼーションの体系的学習理論について述べる。 学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。 全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
  論文  参考訳（メタデータ） (2020-02-25T01:36:43Z)

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。