論文の概要: Learning with Selectively Labeled Data from Multiple Decision-makers

• arxiv url: http://arxiv.org/abs/2306.07566v3
• Date: Mon, 24 Feb 2025 16:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:50:08.458300
• Title: Learning with Selectively Labeled Data from Multiple Decision-makers
• Title（参考訳）: 複数の意思決定者からの選択的ラベル付きデータによる学習
• Authors: Jian Chen, Zhehao Li, Xiaojie Mao,
• Abstract要約: 本研究は, 歴史的意思決定による全人口の分布が異なる可能性のある, 選択的ラベル付きデータを用いた分類問題について考察する。 多くのアプリケーションにおいて、歴史的決定は複数の意思決定者によって行われ、それぞれが異なる決定ルールを持つという事実を利用しています。
• 参考スコア（独自算出の注目度）: 5.009970045326773
• License:
• Abstract: We study the problem of classification with selectively labeled data, whose distribution may differ from the full population due to historical decision-making. We exploit the fact that in many applications historical decisions were made by multiple decision-makers, each with different decision rules. We analyze this setup under a principled instrumental variable (IV) framework and rigorously study the identification of classification risk. We establish conditions for the exact identification of classification risk and derive tight partial identification bounds when exact identification fails. We further propose a unified cost-sensitive learning (UCL) approach to learn classifiers robust to selection bias in both identification settings. We further theoretically and numerically validate the efficacy of our proposed method.
• Abstract（参考訳）: 本研究は, 歴史的意思決定による全人口の分布が異なる可能性のある, 選択的ラベル付きデータを用いた分類問題について考察する。 多くのアプリケーションにおいて、歴史的決定は複数の意思決定者によって行われ、それぞれが異なる決定ルールを持つという事実を利用しています。 我々は,この設定を,原則付き機器変数(IV)フレームワークで分析し,分類リスクの同定を厳密に研究する。 我々は、分類リスクの正確な識別条件を確立し、正確な識別が失敗した場合に、厳密な部分的識別境界を導出する。 さらに,両者の識別設定において,選択バイアスに頑健な分類器を学習するための統一的コスト感受性学習(UCL)手法を提案する。 さらに,提案手法の有効性を理論的,数値的に検証した。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Probabilistic Test-Time Generalization by Variational Neighbor-Labeling [62.158807685159736]
  本稿では、ドメインの一般化を試み、モデルが未確認のターゲットドメインにデプロイされる前に、ソースドメインにのみトレーニングされる。 ソーストレーニングされたモデルをテスト時にターゲットドメインに一般化するための、ターゲットサンプルの擬似ラベル化の確率。 より堅牢な擬似ラベルを生成するために、近隣のターゲットサンプルの情報を含む変分隣接ラベル。
  論文  参考訳（メタデータ） (2023-07-08T18:58:08Z)
• Statistical Inference Under Constrained Selection Bias [20.862583584531322]
  本稿では,選択バイアスが存在する場合の統計的推測を可能にする枠組みを提案する。 出力は、目標分布に対する推定値に対する高確率境界である。 我々はこれらの境界を推定するための手法の計算的および統計的特性を分析し、これらの手法が様々なシミュレートされた半合成的なタスクに対して情報的境界を生成可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T23:05:26Z)
• 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)
• Ex-Ante Assessment of Discrimination in Dataset [20.574371560492494]
  データ所有者は、自分たちのデータの使用が過小評価されているコミュニティにどのように害を与えるかという責任を負う。 本稿では, 個人の反応が感性特性によってどの程度異なるかを示すスコアを生成する, 決定トレエのForest of decision trEEsアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-16T19:28:22Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Social Bias Meets Data Bias: The Impacts of Labeling and Measurement Errors on Fairness Criteria [4.048444203617942]
  我々は、ラベル付けプロセスにおける事前決定者による誤りと、不利な個人の特徴の測定における誤りの2つの形態を考察する。 分析により、ある統計的バイアスに直面した場合、いくつかの制約が頑健であることを示し、他の制約(等化オッドなど)はバイアスデータでトレーニングされた場合、著しく侵害される。 以上の結果から,既存の公正基準の中から選択するためのガイドラインや,利用可能なデータセットに偏りがある場合の新たな基準を提案するためのガイドラインが提示された。
  論文  参考訳（メタデータ） (2022-05-31T22:43:09Z)
• On robust risk-based active-learning algorithms for enhanced decision support [0.0]
  分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。 本稿では,サンプリングバイアスの効果に対処する2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T17:25:41Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• Dynamic Selection in Algorithmic Decision-making [9.172670955429906]
  本稿では,内因性データを用いたオンライン学習アルゴリズムにおいて,動的選択問題を特定し,対処する。 データの内在性が決定の選択に影響を与えるため、新しいバイアス(自己充足バイアス)が発生する。 バイアスを補正するインストゥルメンタル変数ベースのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T01:41:37Z)

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。