論文の概要: Strategic Usage in a Multi-Learner Setting
- arxiv url: http://arxiv.org/abs/2401.16422v2
- Date: Fri, 8 Mar 2024 21:01:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 14:31:59.527239
- Title: Strategic Usage in a Multi-Learner Setting
- Title（参考訳）: マルチリーナー環境における戦略的利用
- Authors: Eliot Shekhtman and Sarah Dean
- Abstract要約: 現実世界のシステムは、サービスのセットを選択するユーザのプールを伴います。
戦略的ユーザがいくつかの利用可能なサービスの中から選択し、肯定的な分類を追求する環境について分析する。
また,全てのユーザが異なる時間に観察された場合でも,ナイーブリトレーニングは依然として振動を引き起こす可能性があることを示す。
- 参考スコア（独自算出の注目度）: 4.810166064205261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world systems often involve some pool of users choosing between a set of
services. With the increase in popularity of online learning algorithms, these
services can now self-optimize, leveraging data collected on users to maximize
some reward such as service quality. On the flipside, users may strategically
choose which services to use in order to pursue their own reward functions, in
the process wielding power over which services can see and use their data.
Extensive prior research has been conducted on the effects of strategic users
in single-service settings, with strategic behavior manifesting in the
manipulation of observable features to achieve a desired classification;
however, this can often be costly or unattainable for users and fails to
capture the full behavior of multi-service dynamic systems. As such, we analyze
a setting in which strategic users choose among several available services in
order to pursue positive classifications, while services seek to minimize loss
functions on their observations. We focus our analysis on realizable settings,
and show that naive retraining can still lead to oscillation even if all users
are observed at different times; however, if this retraining uses memory of
past observations, convergent behavior can be guaranteed for certain loss
function classes. We provide results obtained from synthetic and real-world
data to empirically validate our theoretical findings.
- Abstract（参考訳）: 現実世界のシステムは、サービスのセットを選択するユーザのプールを伴います。
オンライン学習アルゴリズムの普及に伴い、これらのサービスは、ユーザから収集したデータを活用して、サービス品質などの報酬を最大化することができる。
一方、ユーザは自分の報酬関数を追求するために、どのサービスを使うかを戦略的に選択することができる。
戦略的な振る舞いは、望ましい分類を達成するために観測可能な機能の操作において現れるが、これは多くの場合、ユーザにとってコストがかかるか、持続不可能であり、マルチサービスの動的システムの完全な振る舞いを捉えることができない。
そこで,本研究では,戦略利用者が肯定的な分類を追求するために利用可能な複数のサービスの中から選択する環境を分析した。
再現可能な設定に焦点をあて,全てのユーザが異なるタイミングで観察された場合でも,ナイーブなリトレーニングはなおも振動を引き起こすことを示す。
我々は合成データと実世界のデータから得られた結果を提供し,理論的な知見を実証的に検証する。
関連論文リスト
- Learning from Streaming Data when Users Choose [3.2429724835345692]
多くの競合するサービスからなるデジタルマーケットでは、ユーザーは好みに応じて複数のサービスプロバイダを選択し、選択したサービスはユーザーデータを使用してモデルを漸進的に改善する。
サービス提供者のモデルが次のステップでどのサービスを選択するかに影響し、その代わりにユーザの選択がモデルの更新に影響を与え、フィードバックループにつながる。
我々は,ユーザ全体の損失を最小限に抑える,シンプルで効率的な分散アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-06-03T16:07:52Z) - Initializing Services in Interactive ML Systems for Diverse Users [29.445931639366325]
異種データ分布を持つ複数のサブポピュレーションにまたがるユーザから対話的に学習するMLシステムについて検討する。
そこで本稿では,サービスセットを初期化しながら,ごく少数のユーザの好みデータ収集を適応的に行うランダム化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-19T04:26:12Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Emergent specialization from participation dynamics and multi-learner retraining [26.913065669463247]
我々は、ユーザがサービスへの参加を割り当てるダイナミクスのクラスを分析し、経験する個人のリスクを減らす。
複数の学習者とミオピックを繰り返すと、より良い結果が得られます。
論文 参考訳（メタデータ） (2022-06-06T15:12:56Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳（メタデータ） (2022-06-05T01:14:46Z) - Strategic Classification with Graph Neural Networks [10.131895986034316]
学習にグラフを使用すると、予測にユーザ間の依存関係が導入される。
本稿では,グラフに基づく分類器の戦略的ロバスト学習のための微分可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-31T13:11:25Z) - Generalized Strategic Classification and the Case of Aligned Incentives [16.607142366834015]
戦略的なユーザー行動の理由について、より広い視点で議論する。
我々のモデルは現在のモデルの多くを仮定するが、他の新しい設定を含んでいる。
結果とアプローチが,最も一般的なケースにどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-02-09T09:36:09Z) - Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。
数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。
そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文 参考訳（メタデータ） (2022-01-07T02:46:35Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳（メタデータ） (2021-12-17T12:47:18Z) - Online Learning Demands in Max-min Fairness [91.37280766977923]
本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。
このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。
各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
論文 参考訳（メタデータ） (2020-12-15T22:15:20Z) - Unsatisfied Today, Satisfied Tomorrow: a simulation framework for
performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。
このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。
シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
論文 参考訳（メタデータ） (2020-10-30T10:03:48Z)
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。