論文の概要: Strategic Classification under Unknown Personalized Manipulation
- arxiv url: http://arxiv.org/abs/2305.16501v1
- Date: Thu, 25 May 2023 22:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 17:56:46.958052
- Title: Strategic Classification under Unknown Personalized Manipulation
- Title（参考訳）: 未知のパーソナライズドマニピュレーションによる戦略分類
- Authors: Han Shao, Avrim Blum, Omar Montasser
- Abstract要約: 戦略的分類における基本的なミス境界とサンプルの複雑さについて検討する。
例えば、大学入学を決定する分類器が与えられた場合、学生候補者はGPAを改善するためにより簡単な授業を受けようとすることがある。
- 参考スコア（独自算出の注目度）: 31.42948677012716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the fundamental mistake bound and sample complexity in the strategic
classification, where agents can strategically manipulate their feature vector
up to an extent in order to be predicted as positive. For example, given a
classifier determining college admission, student candidates may try to take
easier classes to improve their GPA, retake SAT and change schools in an effort
to fool the classifier. Ball manipulations are a widely studied class of
manipulations in the literature, where agents can modify their feature vector
within a bounded radius ball. Unlike most prior work, our work considers
manipulations to be personalized, meaning that agents can have different levels
of manipulation abilities (e.g., varying radii for ball manipulations), and
unknown to the learner.
We formalize the learning problem in an interaction model where the learner
first deploys a classifier and the agent manipulates the feature vector within
their manipulation set to game the deployed classifier. We investigate various
scenarios in terms of the information available to the learner during the
interaction, such as observing the original feature vector before or after
deployment, observing the manipulated feature vector, or not seeing either the
original or the manipulated feature vector. We begin by providing online
mistake bounds and PAC sample complexity in these scenarios for ball
manipulations. We also explore non-ball manipulations and show that, even in
the simplest scenario where both the original and the manipulated feature
vectors are revealed, the mistake bounds and sample complexity are lower
bounded by $\Omega(|\mathcal{H}|)$ when the target function belongs to a known
class $\mathcal{H}$.
- Abstract（参考訳）: 戦略分類における基本的なミスバウンドとサンプルの複雑さについて検討し、エージェントは正と予測するために、その特徴ベクトルをある程度戦略的に操作することができる。
例えば、大学の入学を決定づける分類器がある場合、生徒の候補者は、gpaを改善するための簡単な授業を受け、satを取得し、分類器を騙すために学校を変更しようとする。
ボール操作は文献で広く研究されている操作のクラスであり、エージェントは境界半径ボール内で特徴ベクトルを修正できる。
従来の作業とは異なり、操作はパーソナライズされたものであり、エージェントは異なるレベルの操作能力(例えば、ボール操作のラジイの変化)を持ち、学習者には未知である。
学習者が最初に分類器をデプロイし、エージェントが操作セット内の特徴ベクトルを操作して展開された分類器をゲームする相互作用モデルで学習問題を形式化する。
本研究では,対話中に学習者が利用できる情報,例えば,初期特徴ベクトルの観察,操作済み特徴ベクトルの観察,あるいは原特徴ベクトルと操作済み特徴ベクトルの視認など,様々なシナリオについて検討する。
まず、ボール操作のシナリオにおいて、オンラインのミスバウンドとPACサンプルの複雑さを提供することから始める。
また, 対象関数が既知のクラス $\mathcal{h}$ に属する場合, 元のベクトルと操作された特徴ベクトルの両方が現れる最も単純なシナリオであっても, 誤差境界とサンプル複雑性は$\omega(|\mathcal{h}|)$ で限定されることを示した。
関連論文リスト
- Strategic Classification With Externalities [11.36782598786846]
戦略分類問題の新しい変種を提案する。
実世界のアプリケーションによって動機づけられた我々のモデルは、あるエージェントの操作が他のエージェントに影響を与えることを決定的に許している。
特定の仮定の下では、このエージェント操作ゲームの純粋なナッシュ平衡はユニークであり、効率的に計算できることが示される。
論文 参考訳（メタデータ） (2024-10-10T15:28:04Z) - Knowledge Composition using Task Vectors with Learned Anisotropic Scaling [51.4661186662329]
本稿では,パラメータブロックと異なる学習係数を線形に組み合わせ,タスクベクトルレベルでの異方性スケーリングを実現するアルゴリズムであるaTLASを紹介する。
このような線形結合は事前学習されたモデルの低内在性を明示的に利用しており、学習可能なパラメータは数係数のみであることを示す。
本稿では,タスク算術,少数ショット認識,テスト時間適応において,教師なしあるいは教師なしの目的を用いた手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-07-03T07:54:08Z) - 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) - Bayesian Strategic Classification [11.439576371711711]
戦略分類における学習者による部分的情報公開の研究について検討する。
エージェントの操作能力を高めつつも,そのような部分的な情報公開が学習者の正確さにどのように寄与するかを示す。
論文 参考訳（メタデータ） (2024-02-13T19:51:49Z) - Fundamental Bounds on Online Strategic Classification [13.442155854812528]
戦略設定において,決定論的アルゴリズムが$o(Delta)$の誤りを達成できないことを示す。
また、これを非依存の設定に拡張し、$Delta$乗法後悔のアルゴリズムを得る。
我々は,不愉快な,適応的な両敵に対して,サブ線形後悔境界を実現するランダム化アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-02-23T22:39:43Z) - ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。
中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。
直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
論文 参考訳（メタデータ） (2022-12-12T13:10:19Z) - Homomorphism Autoencoder -- Learning Group Structured Representations from Observed Transitions [51.71245032890532]
本研究では,世界に作用するエージェントが,それを修飾する動作と整合した感覚情報の内部表現を学習できるようにする手法を提案する。
既存の作業とは対照的に、我々のアプローチはグループの事前の知識を必要とせず、エージェントが実行可能なアクションのセットを制限しない。
論文 参考訳（メタデータ） (2022-07-25T11:22:48Z) - Learning Losses for Strategic Classification [5.812499828391904]
私たちは、よい決定ルールを学ぶのに必要な、サンプルの複雑さに焦点をあてて、学習理論的な視点を取ります。
我々は、関数クラスと演算グラフの複雑さの観点から、操作可能な既知のグラフのサンプル複雑性を解析する。
移動学習理論の手法を用いて、グラフを操作するための類似度尺度を定義し、その操作グラフの小さな変化に対して学習結果が堅牢であることを示す。
論文 参考訳（メタデータ） (2022-03-25T02:26:16Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - The Strategic Perceptron [11.078814063722803]
正であると分類されたい戦略エージェントが存在する場合、パーセプトロンアルゴリズムはエージェントの真の位置を観察できないかもしれない。
2つの解の間に永久に振動する予測器の例を示す。
私たちの主な貢献は、戦略エージェントの存在下で多くの誤りを犯すPerceptronスタイルのアルゴリズムの修正です。
論文 参考訳（メタデータ） (2020-08-04T17:20:24Z)
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。