論文の概要: Performative Prediction: Past and Future

• arxiv url: http://arxiv.org/abs/2310.16608v2
• Date: Tue, 20 May 2025 09:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:50.862352
• Title: Performative Prediction: Past and Future
• Title（参考訳）: パフォーマンス予測:過去と未来
• Authors: Moritz Hardt, Celestine Mendler-Dünner,
• Abstract要約: 本稿では、機械学習におけるパフォーマンス性を研究するための概念的枠組みを提供する、最近設立されたパフォーマンス予測の領域について論じる。 性能予測の鍵となる要素は、新しい最適化課題を引き起こす自然均衡の概念である。 現れるのは、学習とステアリングの区別であり、実行的予測における2つのメカニズムである。
• 参考スコア（独自算出の注目度）: 26.725583537576462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictions in the social world generally influence the target of prediction, a phenomenon known as performativity. Self-fulfilling and self-negating predictions are examples of performativity. Of fundamental importance to economics, finance, and the social sciences, the notion has been absent from the development of machine learning that builds on the static perspective of pattern recognition. In machine learning applications, however, performativity often surfaces as distribution shift. A predictive model deployed on a digital platform, for example, influences behavior and thereby changes the data-generating distribution. We discuss the recently founded area of performative prediction that provides a definition and conceptual framework to study performativity in machine learning. A key element of performative prediction is a natural equilibrium notion that gives rise to new optimization challenges. What emerges is a distinction between learning and steering, two mechanisms at play in performative prediction. Steering is in turn intimately related to questions of power in digital markets. The notion of performative power that we review gives an answer to the question how much a platform can steer participants through its predictions. We end on a discussion of future directions, such as the role that performativity plays in contesting algorithmic systems.
• Abstract（参考訳）: 社会世界での予測は一般的に、パフォーマンス性として知られる予測のターゲットに影響を与える。 自己充足と自己負の予測は、パフォーマンス性の例である。 経済学、金融学、社会科学に基本的な重要性があるが、この概念はパターン認識の静的な視点に基づく機械学習の開発からは欠落している。 しかし、機械学習アプリケーションでは、性能は分散シフトとして表されることが多い。 例えば、デジタルプラットフォームにデプロイされた予測モデルは、振る舞いに影響を与え、それによってデータ生成の分布を変化させる。 本稿では、機械学習におけるパフォーマンス性を研究するための定義と概念的枠組みを提供する、最近設立されたパフォーマンス予測の領域について論じる。 性能予測の鍵となる要素は、新しい最適化課題を引き起こす自然均衡の概念である。 現れるのは、学習とステアリングの区別であり、実行的予測における2つのメカニズムである。 ステアリングは、デジタル市場における権力の問題と密接に関連している。 私たちがレビューするパフォーマンスパワーの概念は、プラットフォームがその予測を通じてどの程度の参加者を操ることができるのかという疑問に答えます。 我々は,アルゴリズムシステムと競合するシステムにおいて,パフォーマンスが果たす役割など,今後の方向性について議論する。

関連論文リスト

• Revisiting the Predictability of Performative, Social Events [7.170441928038049]
  予測がデータに与える影響にかかわらず、常に社会的事象を正確に予測できることが示される。 達成可能ではあるが、これらの予測はしばしば望ましくないものであり、過去のデシダラタの限界を強調している。
  論文  参考訳（メタデータ） (2025-03-12T22:19:33Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
  我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。 我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
  論文  参考訳（メタデータ） (2023-01-15T03:13:09Z)
• Stochastic Future Prediction in Real World Driving Scenarios [0.0]
  将来予測法は、堅牢である可能性全体を網羅するべきである。 自動運転では、予測部分の複数のモードをカバーすることが、安全クリティカルな決定を下す上で極めて重要である。 本研究では,動きを明示的にモデル化し,時間的ダイナミクスを潜時空間で学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T22:34:31Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Patterns, predictions, and actions: A story about machine learning [59.32629659530159]
  この機械学習に関する大学院教科書は、データのパターンが予測と連続的なアクションをどのようにサポートするかを物語っている。 因果関係の自己完結した導入、因果推論の実践、逐次的な意思決定、強化学習は、読者に行動とその結果について推論するための概念とツールを与える。
  論文  参考訳（メタデータ） (2021-02-10T03:42:03Z)
• Explainable Artificial Intelligence: How Subsets of the Training Data Affect a Prediction [2.3204178451683264]
  データサブセットの重要性をトレーニングするためにShapley値と呼ぶ新しい方法論を提案します。 提案手法を用いて,モデルの偏りや誤ったトレーニングデータを明らかにする方法を示す。 この説明は、アルゴリズムの内部動作をより認識し、同様の予測を生成するモデルがトレーニングデータの非常に異なる部分に基づいている方法を説明することを可能にすると主張しています。
  論文  参考訳（メタデータ） (2020-12-07T12:15:47Z)
• A Review on Deep Learning Techniques for Video Prediction [3.203688549673373]
  将来の成果を予測し、予測し、推論する能力は、インテリジェントな意思決定システムの重要な構成要素である。 ディープラーニングに基づくビデオ予測は、有望な研究方向として登場した。
  論文  参考訳（メタデータ） (2020-04-10T19:58:44Z)
• Performative Prediction [31.876692592395777]
  本研究では,統計学,ゲーム理論,因果関係から概念を取り入れたパフォーマンス予測フレームワークを開発する。 概念的新奇性(conceptual novelty)は、私たちがパフォーマンス安定性と呼ぶ平衡概念である。 我々の主な成果は、ほぼ最小損失の演奏安定点への再訓練の収束に必要な十分条件である。
  論文  参考訳（メタデータ） (2020-02-16T20:29:42Z)

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。