論文の概要: Predicting from Predictions
- arxiv url: http://arxiv.org/abs/2208.07331v1
- Date: Mon, 15 Aug 2022 16:57:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 13:26:44.040725
- Title: Predicting from Predictions
- Title（参考訳）: 予測から予測する
- Authors: Celestine Mendler-D\"unner, Frances Ding, Yixin Wang
- Abstract要約: 観測データから,結果に対する予測の因果的影響を同定する方法について検討した。
予測から予測する教師あり学習は,特徴,予測,結果の間の伝達可能な機能的関係を見出すことができることを示す。
- 参考スコア（独自算出の注目度）: 18.393971232725015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictions about people, such as their expected educational achievement or
their credit risk, can be performative and shape the outcome that they aim to
predict. Understanding the causal effect of these predictions on the eventual
outcomes is crucial for foreseeing the implications of future predictive models
and selecting which models to deploy. However, this causal estimation task
poses unique challenges: model predictions are usually deterministic functions
of input features and highly correlated with outcomes, which can make the
causal effects of predictions impossible to disentangle from the direct effect
of the covariates. We study this problem through the lens of causal
identifiability, and despite the hardness of this problem in full generality,
we highlight three natural scenarios where the causal effect of predictions on
outcomes can be identified from observational data: randomization in
predictions or prediction-based decisions, overparameterization of the
predictive model deployed during data collection, and discrete prediction
outputs. We show empirically that, under suitable identifiability conditions,
standard variants of supervised learning that predict from predictions can find
transferable functional relationships between features, predictions, and
outcomes, allowing for conclusions about newly deployed prediction models. Our
positive results fundamentally rely on model predictions being recorded during
data collection, bringing forward the importance of rethinking standard data
collection practices to enable progress towards a better understanding of
social outcomes and performative feedback loops.
- Abstract（参考訳）: 期待される教育成果や信用リスクなど、人々に関する予測は、実行可能であり、予測を目的とした成果を形作ることができる。
これらの予測が結果に与える因果効果を理解することは、将来の予測モデルの意味を予測し、どのモデルをデプロイするかを選択する上で非常に重要である。
モデル予測は入力特徴の決定論的機能であり、結果と高い相関があるため、予測の因果効果は共変量の直接的な効果と区別できない。
この問題を因果識別可能性のレンズを通して検討し,本問題の完全一般性は困難であるものの,予測と予測に基づく決定のランダム化,データ収集中にデプロイされた予測モデルの過剰パラメータ化,離散予測出力という,観測データから結果に対する予測の因果効果を識別できる3つの自然シナリオに注目した。
適切な識別可能性条件下では、予測から予測する教師付き学習の標準的な変種は、特徴、予測、結果の間の伝達可能な機能的関係を見出すことができ、新たにデプロイされた予測モデルに関する結論が得られることを実証的に示す。
我々の肯定的な結果は、データ収集中に記録されるモデル予測に基本的に依存しており、社会的な成果をよりよく理解し、フィードバックループを実行するための標準データ収集プラクティスを再考することの重要性を推し進めている。
関連論文リスト
- Microfoundation Inference for Strategic Prediction [26.277259491014163]
本稿では,人口に対する予測モデルの長期的影響をカプセル化した分布図の学習手法を提案する。
具体的には,エージェントの応答をコストユーティリティ問題としてモデル化し,そのコストを見積もる。
本稿では,この推定値の収束率と,クレジット・スコアリング・データセットの実証実験による品質評価について述べる。
論文 参考訳（メタデータ） (2024-11-13T19:37:49Z) - Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。
従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。
本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文 参考訳（メタデータ） (2024-10-27T12:45:42Z) - 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) - Model-agnostic variable importance for predictive uncertainty: an entropy-based approach [1.912429179274357]
既存の説明可能性の手法が不確実性を考慮したモデルにどのように拡張できるかを示す。
我々は、不確実性の原因とモデル性能への影響の両方を理解するために、これらのアプローチの有用性を実証する。
論文 参考訳（メタデータ） (2023-10-19T15:51:23Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。
わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。
これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文 参考訳（メタデータ） (2022-04-17T15:55:18Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z) - Fast, Optimal, and Targeted Predictions using Parametrized Decision
Analysis [0.0]
我々はベイズ決定解析のためのパラメータ化された行動のクラスを開発し、最適でスケーラブルで単純な目標予測を生成する。
全国健康栄養検査調査の身体活動データに対する予測が作成されている。
論文 参考訳（メタデータ） (2020-06-23T15:55:47Z)
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。