論文の概要: Discovering Optimal Scoring Mechanisms in Causal Strategic Prediction
- arxiv url: http://arxiv.org/abs/2302.06804v1
- Date: Tue, 14 Feb 2023 03:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 16:39:56.446332
- Title: Discovering Optimal Scoring Mechanisms in Causal Strategic Prediction
- Title(参考訳): 因果戦略予測における最適得点機構の発見
- Authors: Tom Yan, Shantanu Gupta, Zachary Lipton
- Abstract要約: 任意の未知のグラフによって結果と n 個の観測された特徴が関連付けられるような一般的な枠組みを導入する。
戦略的応答を利用して因果グラフを有限ステップで発見するアルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 21.73498972784653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Faced with data-driven policies, individuals will manipulate their features
to obtain favorable decisions. While earlier works cast these manipulations as
undesirable gaming, recent works have adopted a more nuanced causal framing in
which manipulations can improve outcomes of interest, and setting coherent
mechanisms requires accounting for both predictive accuracy and improvement of
the outcome. Typically, these works focus on known causal graphs, consisting
only of an outcome and its parents. In this paper, we introduce a general
framework in which an outcome and n observed features are related by an
arbitrary unknown graph and manipulations are restricted by a fixed budget and
cost structure. We develop algorithms that leverage strategic responses to
discover the causal graph in a finite number of steps. Given this graph
structure, we can then derive mechanisms that trade off between accuracy and
improvement. Altogether, our work deepens links between causal discovery and
incentive design and provides a more nuanced view of learning under causal
strategic prediction.
- Abstract(参考訳): データ駆動のポリシーに直面した個人は、自分の機能を操作し、望ましい決定を下す。
初期の作品ではこれらの操作を望ましくないゲームと位置づけていたが、最近の作品では、操作が興味のある結果を改善するためによりニュアンス的な因果フレーミングを採用しており、コヒーレントなメカニズムを設定するには予測精度と結果の改善の両方を考慮しなければならない。
一般的にこれらの研究は、結果とその親のみからなる既知の因果グラフに焦点を当てている。
本稿では,任意の未知のグラフによって結果と観測された特徴nが関連し,操作が固定予算とコスト構造によって制限される汎用フレームワークを提案する。
戦略応答を利用して因果グラフを有限ステップで発見するアルゴリズムを開発した。
このグラフ構造を考えると、精度と改善を切り替えるメカニズムを導出することができます。
さらに、我々の研究は因果発見とインセンティブデザインの関係を深め、因果戦略予測の下での学習のより微妙な見方を提供する。
関連論文リスト
- The Relative Value of Prediction in Algorithmic Decision Making [0.0]
アルゴリズムによる意思決定における予測の相対的な価値は何か?
我々は,拡張アクセスの相対値を決定する,単純でシャープな条件を同定する。
本稿では,これらの理論的洞察を用いて,アルゴリズムによる意思決定システムの設計を現実的に導く方法について述べる。
論文 参考訳(メタデータ) (2023-12-13T20:52:45Z) - 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) - CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
グラフ上での対実的説明生成の問題について検討する。
グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。
本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
論文 参考訳(メタデータ) (2022-10-16T04:35:32Z) - Causal Entropy Optimization [12.708838587765307]
コーサルベイズ最適化(CBO)を一般化し,不確実性の原因を全て考慮する枠組みを提案する。
CEOは因果構造の不確実性を、因果効果の代理モデルと、介入の選択に使用されるメカニズムの両方に組み込んでいる。
CEOは、グラフを学習しながら、CBOと比較してグローバルな最適化に早く収束する。
論文 参考訳(メタデータ) (2022-08-23T13:58:09Z) - A Meta-Reinforcement Learning Algorithm for Causal Discovery [3.4806267677524896]
因果構造は、モデルが純粋な相関に基づく推論を超えることを可能にする。
データから因果構造を見つけることは、計算の労力と精度の両方において大きな課題となる。
我々は,介入を学習することで因果発見を行うメタ強化学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-07-18T09:26:07Z) - Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である
我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。
RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
論文 参考訳(メタデータ) (2022-04-23T09:13:25Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-10T10:02:31Z) - One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。
実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文 参考訳(メタデータ) (2020-10-23T03:24:44Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-12T20:49:20Z) - Explaining the Behavior of Black-Box Prediction Algorithms with Causal
Learning [9.279259759707996]
ブラックボックス予測モデルのポストホック説明可能性に対する因果的アプローチは、ますます人気が高まっている。
因果図形表現を学習し、特徴間の任意の非計測的共起を可能にする。
我々のアプローチは、適切な説明が介入論的な意味で「異論者」である要因を示唆する因果説明の反実理論によって動機付けられている。
論文 参考訳(メタデータ) (2020-06-03T19:02:34Z) - Uncertainty Weighted Causal Graphs [0.0]
因果関係は伝統的に、影響に関係して知識を生み出す科学的方法であった。
引用グラフにおける不確実性の管理を確率論的に改善することで、グラフの不確実性をさらにモデル化しようと試みる。
論文 参考訳(メタデータ) (2020-02-02T16:32:04Z)
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。