論文の概要: Delegated Classification

• arxiv url: http://arxiv.org/abs/2306.11475v1
• Date: Tue, 20 Jun 2023 11:59:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 14:32:34.585789
• Title: Delegated Classification
• Title（参考訳）: デリゲート分類
• Authors: Eden Saig, Inbal Talgam-Cohen, Nir Rosenfeld
• Abstract要約: 機械学習タスクのインセンティブ対応デリゲーションに関する理論的枠組みを提案する。 予算最適契約を定義し、合理的な仮定の下で単純なしきい値を取ることを証明します。 実証的に、我々は予算最適契約を小規模データを用いて構築できることを実証した。
• 参考スコア（独自算出の注目度）: 18.191646199111315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When machine learning is outsourced to a rational agent, conflicts of interest might arise and severely impact predictive performance. In this work, we propose a theoretical framework for incentive-aware delegation of machine learning tasks. We model delegation as a principal-agent game, in which accurate learning can be incentivized by the principal using performance-based contracts. Adapting the economic theory of contract design to this setting, we define budget-optimal contracts and prove they take a simple threshold form under reasonable assumptions. In the binary-action case, the optimality of such contracts is shown to be equivalent to the classic Neyman-Pearson lemma, establishing a formal connection between contract design and statistical hypothesis testing. Empirically, we demonstrate that budget-optimal contracts can be constructed using small-scale data, leveraging recent advances in the study of learning curves and scaling laws. Performance and economic outcomes are evaluated using synthetic and real-world classification tasks.
• Abstract（参考訳）: 機械学習が合理的エージェントにアウトソースされると、関心の衝突が起こり、予測性能に深刻な影響を及ぼす可能性がある。 本研究では,機械学習タスクのインセンティブ対応デリゲーションに関する理論的枠組みを提案する。 我々は、パフォーマンスベースの契約を用いて、精度の高い学習をプリンシパルによってインセンティブ化できるプリンシパルエージェントゲームとしてデリゲーションをモデル化する。 契約設計の経済理論をこの設定に適用し、予算最適契約を定義し、合理的な仮定の下で単純なしきい値を取ることを証明します。 双対作用の場合、そのような契約の最適性は古典的なニーマン・ピアソン補題と同値であることが示され、契約設計と統計的仮説検定の間の形式的接続が確立される。 実証的に, 学習曲線やスケーリング則の研究の最近の進歩を活用して, 小規模データを用いて予算最適契約を構築できることを実証する。 実世界および実世界の分類タスクを用いて,パフォーマンスと経済性を評価する。

関連論文リスト

• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Incentivizing Quality Text Generation via Statistical Contracts [7.303977308530667]
  品質をインセンティブ化するための,パフォーマンス向上のための契約ベースのフレームワークを提案する。 エージェントがコストのかかる推論を用いてテキストを生成するプリンシパルエージェントゲームについて検討する。 コストロスの契約は、コストを意識した契約に比べて、客観的価値の限界的な増加を犠牲にしています。
  論文  参考訳（メタデータ） (2024-06-17T00:30:58Z)
• New Perspectives in Online Contract Design [2.296475290901356]
  本研究は, オンライン学習の観点から, 繰り返し主エージェント問題について考察する。 プリンシパルの目標は、反復的な相互作用を通じて彼女の効用を最大化する最適な契約を学ぶことである。
  論文  参考訳（メタデータ） (2024-03-11T20:28:23Z)
• Delegating Data Collection in Decentralized Machine Learning [67.0537668772372]
  分散機械学習(ML)エコシステムの出現に動機付けられ,データ収集のデリゲートについて検討する。 我々は、2つの基本的な情報非対称性を扱う最適でほぼ最適な契約を設計する。 最適効用の1-1/e分を達成できるような単純な線形契約により、主成分がそのような非対称性に対処できることが示される。
  論文  参考訳（メタデータ） (2023-09-04T22:16:35Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• A Contract Theory based Incentive Mechanism for Federated Learning [52.24418084256517]
  フェデレートラーニング(FL)は、データプライバシ保護機械学習パラダイムとして機能し、分散クライアントによってトレーニングされた協調モデルを実現する。 FLタスクを達成するために、タスクパブリッシャはFLサーバに金銭的なインセンティブを支払う必要があり、FLサーバはFLクライアントにタスクをオフロードする。 タスクがクライアントによってプライベートにトレーニングされているという事実から、FLクライアントに対して適切なインセンティブを設計することは困難である。
  論文  参考訳（メタデータ） (2021-08-12T07:30:42Z)
• Measuring Model Fairness under Noisy Covariates: A Theoretical Perspective [26.704446184314506]
  本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。 本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
  論文  参考訳（メタデータ） (2021-05-20T18:36:28Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。