論文の概要: Does Machine Learning Amplify Pricing Errors in the Housing Market? --
The Economics of Machine Learning Feedback Loops
- arxiv url: http://arxiv.org/abs/2302.09438v1
- Date: Sat, 18 Feb 2023 23:20:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-02-21 18:37:47.966402
- Title: Does Machine Learning Amplify Pricing Errors in the Housing Market? --
The Economics of Machine Learning Feedback Loops
- Title（参考訳）: 機械学習は住宅市場の価格誤差を増幅するか?
-機械学習フィードバックループの経済学
- Authors: Nikhil Malik and Emaad Manzoor
- Abstract要約: 住宅市場における機械学習フィードバックループの分析モデルを構築した。
フィードバックループは、機械学習アルゴリズムを自分自身の精度で過度に信頼するようになることを示す。
次に、フィードバックループ平衡における住宅販売者の経済的な支払いが、機械学習を使わずに悪くなる状況を特定する。
- 参考スコア（独自算出の注目度）: 2.5699371511994777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning algorithms are increasingly employed to price or value homes
for sale, properties for rent, rides for hire, and various other goods and
services. Machine learning-based prices are typically generated by complex
algorithms trained on historical sales data. However, displaying these prices
to consumers anchors the realized sales prices, which will in turn become
training samples for future iterations of the algorithms. The economic
implications of this machine learning "feedback loop" - an indirect
human-algorithm interaction - remain relatively unexplored. In this work, we
develop an analytical model of machine learning feedback loops in the context
of the housing market. We show that feedback loops lead machine learning
algorithms to become overconfident in their own accuracy (by underestimating
its error), and leads home sellers to over-rely on possibly erroneous
algorithmic prices. As a consequence at the feedback loop equilibrium, sale
prices can become entirely erratic (relative to true consumer preferences in
absence of ML price interference). We then identify conditions (choice of ML
models, seller characteristics and market characteristics) where the economic
payoffs for home sellers at the feedback loop equilibrium is worse off than no
machine learning. We also empirically validate primitive building blocks of our
analytical model using housing market data from Zillow. We conclude by
prescribing algorithmic corrective strategies to mitigate the effects of
machine learning feedback loops, discuss the incentives for platforms to adopt
these strategies, and discuss the role of policymakers in regulating the same.
- Abstract（参考訳）: 機械学習アルゴリズムは、住宅の価格や価格、賃貸物件、雇用のための乗車、その他様々な商品やサービスにますます採用されている。
機械学習に基づく価格は、通常、履歴販売データに基づいて訓練された複雑なアルゴリズムによって生成される。
しかし、これらの価格を消費者に提示することで、実現した販売価格が固定され、アルゴリズムの今後のイテレーションのトレーニングサンプルとなる。
この機械学習の経済的意味は、間接的な人間とアルゴリズムの相互作用であるフィードバックループ(feedback loop)である。
本研究では,住宅市場における機械学習フィードバックループの分析モデルを構築した。
フィードバックループは、機械学習アルゴリズムを(誤りを過小評価することで)自分自身の正確さで過信し、ホームセラーが誤ったアルゴリズム価格を過信することを示している。
フィードバックループ均衡の結果として、販売価格は完全に不規則になる(ML価格の干渉がない消費者の真の嗜好に関連して)。
次に、フィードバックループ平衡における住宅販売者に対する経済的な支払いが、機械学習よりも悪い条件(MLモデルの選択、販売者特性、市場特性)を特定する。
また、Zillowの住宅市場データを用いて、分析モデルの原始的な構築ブロックを実証的に検証した。
我々は、機械学習フィードバックループの効果を緩和するためのアルゴリズム的修正戦略を規定し、これらの戦略を採用するプラットフォームに対するインセンティブについて議論し、同じ規制における政策立案者の役割について論じる。
関連論文リスト
- Using ensemble methods of machine learning to predict real estate prices [0.0]
この研究は、不動産価値の予測において、機械学習がいかに効果的で正確なアンサンブル手法であるかをより深く理解するのに役立ちます。
本研究で得られた結果は, 決定係数(R2), 根平均二乗誤差(RMSE), 平均絶対誤差(MAE)からわかるように, 極めて正確である。
論文 参考訳（メタデータ） (2025-04-05T23:53:38Z) - Salespeople vs SalesBot: Exploring the Role of Educational Value in
Conversational Recommender Systems [78.84530426424838]
既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。
このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。
私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
論文 参考訳（メタデータ） (2023-10-26T19:44:06Z) - Buy when? Survival machine learning model comparison for purchase timing [0.0]
本稿では,サポートベクトルマシン,遺伝的アルゴリズム,ディープラーニング,K平均といったマーケティング機械学習技術について検討する。
ジェンダー、インカム、ロケーション、購入履歴、オンラインディスカウント、興味、プロモーション、顧客体験はすべて、購入時間に影響を与える。
調査によると、DeepSurvモデルは購入完了が最良であると予測している。
論文 参考訳（メタデータ） (2023-08-28T06:40:02Z) - VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。
本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。
我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
論文 参考訳（メタデータ） (2022-12-21T08:45:32Z) - Opinion Spam Detection: A New Approach Using Machine Learning and
Network-Based Algorithms [2.062593640149623]
オンラインレビューは、消費者が製品やサービスを評価し比較する上で重要な役割を果たす。
偽レビュー(オピニオンスパム)が普及し、顧客やサービスプロバイダに悪影響を及ぼしている。
本稿では,機械学習とメッセージパッシングアルゴリズムを組み合わせて,レビュアーをスパマーや良心として分類する手法を提案する。
論文 参考訳（メタデータ） (2022-05-26T15:27:46Z) - Finding General Equilibria in Many-Agent Economic Simulations Using Deep
Reinforcement Learning [72.23843557783533]
本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。
私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。
当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
論文 参考訳（メタデータ） (2022-01-03T17:00:17Z) - Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。
エージェントの好みを学習するためのオンライン学習機構を提案する。
数値シミュレーションにより,本機構の有効性を実証する。
論文 参考訳（メタデータ） (2021-06-11T21:32:17Z) - Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders [47.32228513808444]
本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
論文 参考訳（メタデータ） (2020-10-19T06:28:05Z) - Bid Prediction in Repeated Auctions with Learning [30.07778295477907]
本稿では,メインストリームの検索オークションマーケットプレースからのデータセットを用いて,繰り返しオークションにおける入札予測の問題を検討する。
提案手法は,非regret型エコノメトリを用いて入札予測を行い,ユーティリティ関数に関する非regret学習者としてプレーヤをモデル化する。
この手法は,最先端の時系列機械学習手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2020-07-26T18:14:05Z) - Hedging using reinforcement learning: Contextual $k$-Armed Bandit versus
$Q$-learning [0.22940141855172028]
本稿では,リスクと市場摩擦の存在下での連関債権の複製戦略の構築について検討する。
本稿では、ヘッジ問題はリスク・アバース文脈における$k$-armed bandit問題の例と見なされる。
私たちは、$k$の武器付きバンディットモデルが、ヘッジの利益と損失の定式化に自然に適合していることに気付きました。
論文 参考訳（メタデータ） (2020-07-03T11:34:10Z) - Adversarial Attacks on Machine Learning Systems for High-Frequency
Trading [55.30403936506338]
逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。
攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。
本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
論文 参考訳（メタデータ） (2020-02-21T22:04:35Z)
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。