論文の概要: Strategyproof Decision-Making in Panel Data Settings and Beyond
- arxiv url: http://arxiv.org/abs/2211.14236v1
- Date: Fri, 25 Nov 2022 16:56:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 19:04:36.180241
- Title: Strategyproof Decision-Making in Panel Data Settings and Beyond
- Title（参考訳）: パネルデータの設定等における戦略的意思決定
- Authors: Keegan Harris, Anish Agarwal, Chara Podimata, Zhiwei Steven Wu
- Abstract要約: 本稿では,パネルデータを用いた戦略エージェントの存在下での意思決定の枠組みを提案する。
主成分が各単位の結果を観察する前介入期間が存在するような設定を考察する。
我々は、介入後の介入を割り当てる戦略的なメカニズムが存在している必要十分条件を特定した。
- 参考スコア（独自算出の注目度）: 35.84916049031641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a framework for decision-making in the presence of strategic
agents with panel data, a standard setting in econometrics and statistics where
one gets noisy, repeated measurements of multiple units. We consider a setup
where there is a pre-intervention period, when the principal observes the
outcomes of each unit, after which the principal uses these observations to
assign treatment to each unit. Our model can be thought of as a generalization
of the synthetic controls and synthetic interventions frameworks, where units
(or agents) may strategically manipulate pre-intervention outcomes to receive a
more desirable intervention. We identify necessary and sufficient conditions
under which a strategyproof mechanism that assigns interventions in the
post-intervention period exists. Under a latent factor model assumption, we
show that whenever a strategyproof mechanism exists, there is one with a simple
closed form. In the setting where there is a single treatment and control
(i.e., no other interventions), we establish that there is always a
strategyproof mechanism, and provide an algorithm for learning such a
mechanism. For the setting of multiple interventions, we provide an algorithm
for learning a strategyproof mechanism, if there exists a sufficiently large
gap in rewards between the different interventions. Along the way, we prove
impossibility results for multi-class strategic classification, which may be of
independent interest.
- Abstract（参考訳）: 本稿では,パネルデータを用いた戦略エージェントの存在下での意思決定のための枠組みを提案する。
本稿では,各単位の結果を主が観察し,その後,主が各単位に治療を割り当てる,事前介入期間が存在する設定について考察する。
我々のモデルは、より望ましい介入を受けるために、ユニット(またはエージェント)が戦略的に介入前の結果を操作できる合成制御および合成介入フレームワークの一般化と考えることができる。
介入後の介入を割り当てる戦略的防御機構が存在する必要十分条件を明らかにする。
潜在因子モデル仮定の下では、戦略防御機構が存在するときはいつでも、単純な閉形式が存在することを示す。
単一の処理と制御(つまり他の介入は不要)が存在する場合、我々は常に戦略防御機構が存在することを証明し、そのようなメカニズムを学習するためのアルゴリズムを提供する。
複数の介入の設定のために、異なる介入間の報酬に十分な大きなギャップがある場合、戦略防御機構を学習するためのアルゴリズムを提供する。
その過程で,複数の階層の戦略的分類において,独立した関心を持つ可能性がある,不可能性が証明される。
関連論文リスト
- Navigating Trade-offs: Policy Summarization for Multi-Objective Reinforcement Learning [10.848218400641466]
多目的強化学習(MORL)は、複数の目的を含む問題を解決するために用いられる。
本稿では,MORL が生成する解集合をクラスタリングする手法を提案する。
論文 参考訳（メタデータ） (2024-11-07T15:26:38Z) - Automatic Generation of Attention Rules For Containment of Machine
Learning Model Errors [1.4987559345379062]
我々は、観測を分離するために最適な規則を決定するためのいくつかのアルゴリズム(ストラテジー')を提案する。
特に,機能ベースのスライシングを利用する戦略は,人間の解釈可能で,モデル非依存であり,補足的な入力や知識を最小限に抑える必要がある。
戦略を評価するために、我々は、その性能、安定性、そして、目に見えないデータに対する一般化可能性など、様々な望ましい品質を測定するための指標を導入する。
論文 参考訳（メタデータ） (2023-05-14T10:15:35Z) - On the Fusion Strategies for Federated Decision Making [47.87035227391866]
エージェントのグループは、中央のプロセッサや互いにプライベートデータを共有せずに、基礎となる自然状態を推測するために協力します。
我々は,ベイズルールを用いて,エージェントが個々の観察を意見に組み込む非ベイズ的社会学習戦略を解析し,中央プロセッサが算術的あるいは平均化によってこれらの意見を集約する。
論文 参考訳（メタデータ） (2023-03-10T17:57:40Z) - Strategic Decision-Making in the Presence of Information Asymmetry:
Provably Efficient RL with Algorithmic Instruments [55.41685740015095]
我々は,戦略MDPと呼ばれる新しいモデルの下で,オフライン強化学習について検討する。
アルゴリズムiNstruments(PLAN)を用いたペシミスティックポリシー学習法を提案する。
論文 参考訳（メタデータ） (2022-08-23T15:32:44Z) - A Prototype-Oriented Framework for Unsupervised Domain Adaptation [52.25537670028037]
メモリと計算効率のよい確率的フレームワークを提供し、クラスプロトタイプを抽出し、ターゲットとなる特徴をそれらと整合させる。
本稿では,単一ソース,マルチソース,クラス不均衡,ソースプライベートドメイン適応など,幅広いシナリオにおいて,本手法の汎用性を実証する。
論文 参考訳（メタデータ） (2021-10-22T19:23:22Z) - Matching a Desired Causal State via Shift Interventions [13.89612747723388]
我々は,能動的学習を通じて,システムの望ましい平均値と一致するシフト介入を特定することの問題点を考察する。
目的と正確に一致することが保証される2つのアクティブな学習戦略を提案する。
我々の戦略は、これまで検討されたアプローチよりも指数関数的に少ない介入を必要とする可能性がある。
論文 参考訳（メタデータ） (2021-07-05T08:11:36Z) - Stateful Strategic Regression [20.7177095411398]
結果のゲームにおけるスタックルバーグ均衡を記述し、計算のための新しいアルゴリズムを提供する。
分析の結果,ゲームの結果を形作る上でのマルチインタラクションの役割について,いくつかの興味深い知見が得られた。
最も重要なことは、処理時に複数ラウンドの相互作用を行うことで、主成分は、目的の方向に努力を蓄積するために、エージェントにインセンティブを与えるのにより効果的であることを示すことである。
論文 参考訳（メタデータ） (2021-06-07T17:46:29Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳（メタデータ） (2021-03-21T23:58:39Z) - Deep Interactive Bayesian Reinforcement Learning via Meta-Learning [63.96201773395921]
他のエージェントの戦略に対する不確実性下での最適適応行動は、インタラクティブベイズ強化学習フレームワークを用いて計算することができる。
本稿では,メタラーン近似的信念推論とベイズ最適行動を提案する。
提案手法は, モデルフリーアプローチ, 近似後部からのサンプル採取, 他者のメモリフリーモデル維持, あるいは環境の既知の構造を完全に活用しない既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-01-11T13:25:13Z)
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。