論文の概要: Multi-learner risk reduction under endogenous participation dynamics

• arxiv url: http://arxiv.org/abs/2206.02667v1
• Date: Mon, 6 Jun 2022 15:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 15:21:11.049067
• Title: Multi-learner risk reduction under endogenous participation dynamics
• Title（参考訳）: 内因性参加動態下におけるマルチリーナーリスク低減
• Authors: Sarah Dean, Mihaela Curmei, Lillian J. Ratliff, Jamie Morgenstern, Maryam Fazel
• Abstract要約: 本研究は,emphrisk-reduce Learningers と sub-populations を用いたシステムの挙動について考察する。 我々の研究は、複数のミオピック学習者と市場力の結果を分析します。
• 参考スコア（独自算出の注目度）: 26.64051345340538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction systems face exogenous and endogenous distribution shift -- the world constantly changes, and the predictions the system makes change the environment in which it operates. For example, a music recommender observes exogeneous changes in the user distribution as different communities have increased access to high speed internet. If users under the age of 18 enjoy their recommendations, the proportion of the user base comprised of those under 18 may endogeneously increase. Most of the study of endogenous shifts has focused on the single decision-maker setting, where there is one learner that users either choose to use or not. This paper studies participation dynamics between sub-populations and possibly many learners. We study the behavior of systems with \emph{risk-reducing} learners and sub-populations. A risk-reducing learner updates their decision upon observing a mixture distribution of the sub-populations $\mathcal{D}$ in such a way that it decreases the risk of the learner on that mixture. A risk reducing sub-population updates its apportionment amongst learners in a way which reduces its overall loss. Previous work on the single learner case shows that myopic risk minimization can result in high overall loss~\citep{perdomo2020performative, miller2021outside} and representation disparity~\citep{hashimoto2018fairness, zhang2019group}. Our work analyzes the outcomes of multiple myopic learners and market forces, often leading to better global loss and less representation disparity.
• Abstract（参考訳）: 予測システムは、外因的かつ内因的分布シフトに直面する -- 世界は常に変化し、システムが運用する環境を変える予測を行う。 例えば、音楽レコメンデータは、異なるコミュニティが高速インターネットへのアクセスを増やしているため、ユーザ分布の異質な変化を観察する。 18歳未満の利用者がレコメンデーションを享受すれば、18歳未満のユーザーの割合は内生的に増加する可能性がある。 内因性シフトの研究の多くは、ユーザーが使うか使わないかを選択する1人の学習者がいる単一の意思決定者設定に焦点を当てている。 本稿では,サブ人口と多人数学習者の参加動態について考察する。 本研究では,学習者およびサブ人口を持つシステムの行動について検討する。 リスク還元学習者は、その混合物上の学習者のリスクを減少させるように、サブポピュレーション $\mathcal{d}$ の混合分布を観察してその決定を更新する。 リスク低減サブ人口は、学習者間の配分を、全体の損失を減らす方法で更新する。 単一学習者のケースに関する以前の研究は、ミオピックリスクの最小化は、高い全体的な損失を生じることを示しており、その代表差は、--\citep{perdomo2020performative, miller2021outside} と zhang2019group である。 私たちの研究は、複数の近視的学習者と市場力の結果を分析し、しばしば世界的な損失と表現格差の低減につながる。

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)
• Strategic Usage in a Multi-Learner Setting [4.810166064205261]
  現実世界のシステムは、サービスのセットを選択するユーザのプールを伴います。 戦略的ユーザがいくつかの利用可能なサービスの中から選択し、肯定的な分類を追求する環境について分析する。 また,全てのユーザが異なる時間に観察された場合でも,ナイーブリトレーニングは依然として振動を引き起こす可能性があることを示す。
  論文  参考訳（メタデータ） (2024-01-29T18:59:22Z)
• Initializing Services in Interactive ML Systems for Diverse Users [29.445931639366325]
  異種データ分布を持つ複数のサブポピュレーションにまたがるユーザから対話的に学習するMLシステムについて検討する。 そこで本稿では,サービスセットを初期化しながら,ごく少数のユーザの好みデータ収集を適応的に行うランダム化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-19T04:26:12Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• New Insights on Reducing Abrupt Representation Change in Online Continual Learning [69.05515249097208]
  我々は、以前に観測されていないクラスが入ってくるデータストリームに現れるときに発生する観測データの表現の変化に焦点を当てる。 Experience Replayを適用すると、新たに追加されたクラスの表現が以前のクラスと大幅に重複することを示します。 本稿では,新しいクラスに対応するために,学習した表現を劇的な適応から保護することで,この問題を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T01:37:00Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
  本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。 この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。 事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
  論文  参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。