論文の概要: Causal Strategic Classification: A Tale of Two Shifts
- arxiv url: http://arxiv.org/abs/2302.06280v2
- Date: Wed, 24 May 2023 12:54:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 02:03:42.253778
- Title: Causal Strategic Classification: A Tale of Two Shifts
- Title（参考訳）: 因果戦略分類:二つの変遷の物語
- Authors: Guy Horowitz, Nir Rosenfeld
- Abstract要約: 戦略行動と因果効果が,2つの相補的な分布シフトをいかに生み出すかを示す。
本稿では,この2つの力のバランスと時間とともに学習アルゴリズムを提案し,エンドツーエンドのトレーニングを可能にした。
- 参考スコア（独自算出の注目度）: 11.929584800629675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When users can benefit from certain predictive outcomes, they may be prone to
act to achieve those outcome, e.g., by strategically modifying their features.
The goal in strategic classification is therefore to train predictive models
that are robust to such behavior. However, the conventional framework assumes
that changing features does not change actual outcomes, which depicts users as
"gaming" the system. Here we remove this assumption, and study learning in a
causal strategic setting where true outcomes do change. Focusing on accuracy as
our primary objective, we show how strategic behavior and causal effects
underlie two complementing forms of distribution shift. We characterize these
shifts, and propose a learning algorithm that balances between these two forces
and over time, and permits end-to-end training. Experiments on synthetic and
semi-synthetic data demonstrate the utility of our approach.
- Abstract（参考訳）: 特定の予測結果の恩恵を受けることができる場合、ユーザーは、例えば、戦略的に機能を変更することで、それらの結果を達成するために行動する傾向がある。
戦略分類の目標は、そのような行動に対して堅牢な予測モデルを訓練することである。
しかし、従来のフレームワークでは、機能変更は実際の結果を変えないことを前提としており、ユーザがシステムを“ゲーム化”している。
ここでは、この仮定を取り除き、真の結果が変わる因果戦略的な環境で学習を研究する。
我々の主目的として正確性に注目して、戦略的行動と因果効果が2つの相補的な分布シフトをいかに生み出すかを示す。
これらの変化を特徴付け,これら2つの力と時間とともにバランスをとり,エンドツーエンドのトレーニングを可能にする学習アルゴリズムを提案する。
合成および半合成データ実験により,本手法の有用性が示された。
関連論文リスト
- Learnability Gaps of Strategic Classification [68.726857356532]
我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。
ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。
この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
論文 参考訳（メタデータ） (2024-02-29T16:09:19Z) - 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) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - 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) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳（メタデータ） (2021-11-29T18:59:09Z) - Strategic Instrumental Variable Regression: Recovering Causal
Relationships From Strategic Responses [16.874125120501944]
観測可能な特徴と予測したい結果の因果関係を回復するために,戦略的対応を効果的に活用できることが示される。
我々の研究は、機械学習モデルに対する戦略的応答と機器変数(IV)回帰との新たな関係を確立する。
論文 参考訳（メタデータ） (2021-07-12T22:12:56Z) - Disturbing Reinforcement Learning Agents with Corrupted Rewards [62.997667081978825]
強化学習アルゴリズムに対する報酬の摂動に基づく異なる攻撃戦略の効果を分析します。
敵対的な報酬をスムーズに作成することは学習者を誤解させることができ、低探査確率値を使用すると、学習した政策は報酬を腐敗させるのがより堅牢であることを示しています。
論文 参考訳（メタデータ） (2021-02-12T15:53:48Z) - Linear Classifiers that Encourage Constructive Adaptation [6.324366770332667]
本研究では,2段階ゲームとしての予測と適応のダイナミクスを考察し,モデルデザイナとその決定対象に対する最適な戦略を特徴付ける。
シミュレーションおよび実世界のデータセットのベンチマークでは、我々の手法を用いて訓練された分類器が既存の手法の精度を維持しつつ、より高いレベルの改善と少ない操作を誘導していることがわかった。
論文 参考訳（メタデータ） (2020-10-31T20:35:32Z) - On the Loss Landscape of Adversarial Training: Identifying Challenges
and How to Overcome Them [57.957466608543676]
機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。
曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
論文 参考訳（メタデータ） (2020-06-15T13:50:23Z) - Gaming Helps! Learning from Strategic Interactions in Natural Dynamics [31.670231315699237]
個人が回帰モデルに適応するオンライン回帰設定を考える。
このような戦略的操作は、実際に学習者が有意義な変数を回復するのに役立ちます。
論文 参考訳（メタデータ） (2020-02-17T16:09:37Z)
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。