論文の概要: Generating personalized counterfactual interventions for algorithmic
recourse by eliciting user preferences
- arxiv url: http://arxiv.org/abs/2205.13743v1
- Date: Fri, 27 May 2022 03:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 12:53:24.650040
- Title: Generating personalized counterfactual interventions for algorithmic
recourse by eliciting user preferences
- Title（参考訳）: ユーザの嗜好を引き出すアルゴリズム・リコースのためのパーソナライズされた対物介入の生成
- Authors: Giovanni De Toni, Paolo Viappiani, Bruno Lepri, Andrea Passerini
- Abstract要約: 提案手法は,ユーザの嗜好を抽出し,アルゴリズムによるリコースを行うための最初の手法である。
我々は,モンテカルロ木探索と組み合わせた強化学習エージェントに,この選好誘導戦略を統合し,効率的な探索を行う。
合成および実世界のデータセットに対する実験的評価は、少数のクエリによって、ユーザに依存しない代替品に対する介入コストを大幅に削減できることを示している。
- 参考スコア（独自算出の注目度）: 16.654319364008998
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Counterfactual interventions are a powerful tool to explain the decisions of
a black-box decision process, and to enable algorithmic recourse. They are a
sequence of actions that, if performed by a user, can overturn an unfavourable
decision made by an automated decision system. However, most of the current
methods provide interventions without considering the user's preferences. For
example, a user might prefer doing certain actions with respect to others. In
this work, we present the first human-in-the-loop approach to perform
algorithmic recourse by eliciting user preferences. We introduce a polynomial
procedure to ask choice-set questions which maximize the Expected Utility of
Selection (EUS), and use it to iteratively refine our cost estimates in a
Bayesian setting. We integrate this preference elicitation strategy into a
reinforcement learning agent coupled with Monte Carlo Tree Search for efficient
exploration, so as to provide personalized interventions achieving algorithmic
recourse. An experimental evaluation on synthetic and real-world datasets shows
that a handful of queries allows to achieve a substantial reduction in the cost
of interventions with respect to user-independent alternatives.
- Abstract（参考訳）: 対実的介入は、ブラックボックス決定プロセスの決定を説明し、アルゴリズムによる会話を可能にする強力なツールである。
一連のアクションは、ユーザが実行した場合、自動決定システムによってなされる不都合な決定を覆すことができる。
しかし、現在の手法のほとんどは、ユーザの好みを考慮せずに介入する。
例えば、ユーザーは他人に対して特定の行動をとることを好むかもしれない。
そこで本研究では,ユーザの嗜好を抽出し,アルゴリズムによるリコースを行うための,初めての人文間アプローチを提案する。
我々は,選択の実用性(eus)を最大化する選択集合を問う多項式手順を導入し,それを用いてベイズ環境におけるコスト推定を反復的に洗練する。
この選好誘発戦略をモンテカルロ木探索と組み合わされた強化学習エージェントに統合し、効率的な探索を行い、アルゴリズム的リコースを実現するパーソナライズされた介入を提供する。
合成および実世界のデータセットに対する実験的評価は、少数のクエリによって、ユーザに依存しない代替品に対する介入コストを大幅に削減できることを示している。
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) - Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
自動生成関連判定(QPP-GenRE)を用いたQPPフレームワークを提案する。
QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。
これにより、生成した関連判断を擬似ラベルとして利用して、任意のIR評価尺度を予測することができる。
論文 参考訳（メタデータ） (2024-04-01T09:33:05Z) - 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) - Should All Proposals be Treated Equally in Object Detection? [110.27485090952385]
オブジェクト検出器の複雑さと精度のトレードオフは、リソース制約されたビジョンタスクにとって重要な問題である。
検出効率の改善には、提案の不平等な処理に向けて、パラダイムシフトが必要であると仮定されている。
これにより、利用可能な計算予算がより有効になり、同じFLOPSの精度が向上する。
論文 参考訳（メタデータ） (2022-07-07T18:26:32Z) - Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。
ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。
ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
論文 参考訳（メタデータ） (2022-06-01T13:46:25Z) - Counterfactual Learning To Rank for Utility-Maximizing Query
Autocompletion [40.31426350180036]
本稿では,ダウンストリーム検索性能に対するクエリ提案を明示的に最適化する手法を提案する。
ここでは、各クエリ提案が生成するダウンストリームアイテムランキングによって表現されるランキングの集合をランク付けする問題として、これを定式化する。
次に,項目ランクの質によってクエリ提案をランク付けする学習手法を提案する。
論文 参考訳（メタデータ） (2022-04-22T21:40:51Z) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
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。
論文 参考訳（メタデータ） (2021-11-01T19:49:35Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - Function Design for Improved Competitive Ratio in Online Resource
Allocation with Procurement Costs [16.68130648568593]
私たちは、複数の顧客が到着するオンラインリソースアロケーションの問題を研究し、売り手は、合計アロケーションのための調達コストに直面しながら、各受信顧客にリソースを割り当てなければなりません。
論文 参考訳（メタデータ） (2020-12-23T02:32:47Z)
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。