論文の概要: The Relative Value of Prediction in Algorithmic Decision Making

• arxiv url: http://arxiv.org/abs/2312.08511v2
• Date: Thu, 30 May 2024 02:32:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 23:32:48.345055
• Title: The Relative Value of Prediction in Algorithmic Decision Making
• Title（参考訳）: アルゴリズム決定における予測の相対値
• Authors: Juan Carlos Perdomo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic predictions are increasingly used to inform the allocations of goods and interventions in the public sphere. In these domains, predictions serve as a means to an end. They provide stakeholders with insights into likelihood of future events as a means to improve decision making quality, and enhance social welfare. However, if maximizing welfare is the ultimate goal, prediction is only a small piece of the puzzle. There are various other policy levers a social planner might pursue in order to improve bottom-line outcomes, such as expanding access to available goods, or increasing the effect sizes of interventions. Given this broad range of design decisions, a basic question to ask is: What is the relative value of prediction in algorithmic decision making? How do the improvements in welfare arising from better predictions compare to those of other policy levers? The goal of our work is to initiate the formal study of these questions. Our main results are theoretical in nature. We identify simple, sharp conditions determining the relative value of prediction vis-\`a-vis expanding access, within several statistical models that are popular amongst quantitative social scientists. Furthermore, we illustrate how these theoretical insights may be used to guide the design of algorithmic decision making systems in practice.
• Abstract（参考訳）: アルゴリズムによる予測は、公共領域における商品や介入の割り当てを知らせるために、ますます使われてきている。 これらの領域では、予測は終わりの手段となる。 彼らは、意思決定の質を改善し、社会福祉を強化する手段として、将来の出来事の可能性に関する洞察をステークホルダーに提供する。 しかし、福祉の最大化が究極の目標であるならば、予測はパズルのごく一部にすぎない。 ソーシャルプランナーは、利用可能な商品へのアクセスを拡大したり、介入の効果の大きさを増大させるなど、ボトムラインの成果を改善するために、様々な政策レバーを追求する。 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? より良い予測による福祉改善は、他の政策レバーと比べてどうか。 私たちの研究の目標は、これらの質問の正式な研究を開始することです。 我々の主な成果は自然理論である。 定量的社会科学者の間で人気があるいくつかの統計モデルにおいて、予測 vis-\<a-vis> の相対値を決定する単純で鋭い条件を同定する。 さらに、これらの理論的洞察を用いて、実際に行われているアルゴリズム決定システムの設計を導く方法について述べる。

関連論文リスト

• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• 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)
• Allocation Requires Prediction Only if Inequality Is Low [24.57131078538418]
  本研究では,個人がより大きなユニットに属している環境での予測に基づくアロケーションの有効性を評価する。 予測に基づくアロケーションは,ユニット間の不平等が低く,介入予算が高い場合にのみ,ベースライン手法よりも優れることがわかった。
  論文  参考訳（メタデータ） (2024-06-19T23:23:32Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Making Decisions under Outcome Performativity [9.962472413291803]
  我々は、新しい最適性の概念、パフォーマンス的全予測を導入する。 性能的全予測器は、最適な決定ルールを同時に符号化する単一の予測器である。 本研究では,性能予測の自然な制約の下で,効率的な性能予測器が存在することを示す。
  論文  参考訳（メタデータ） (2022-10-04T17:04:47Z)
• 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)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• Fast, Optimal, and Targeted Predictions using Parametrized Decision Analysis [0.0]
  我々はベイズ決定解析のためのパラメータ化された行動のクラスを開発し、最適でスケーラブルで単純な目標予測を生成する。 全国健康栄養検査調査の身体活動データに対する予測が作成されている。
  論文  参考訳（メタデータ） (2020-06-23T15:55:47Z)

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。