論文の概要: Learning Recourse Costs from Pairwise Feature Comparisons
- arxiv url: http://arxiv.org/abs/2409.13940v1
- Date: Fri, 20 Sep 2024 23:04:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 04:28:44.064622
- Title: Learning Recourse Costs from Pairwise Feature Comparisons
- Title(参考訳): ペアワイズ特徴比較によるリコースコストの学習
- Authors: Kaivalya Rawal, Himabindu Lakkaraju,
- Abstract要約: 本稿では,ユーザの好みを学習し,推測する際にユーザ入力を組み込む新しい手法を提案する。
我々はBradley-Terryモデルを用いて,非排他的人間比較調査を用いて特徴量コストを自動的に推定する手法を提案する。
MAP推定値を用いて,個々の特徴コストを効率よく学習し,これらの非排他的人為的調査が特徴コストの総括的集合を学習するのに十分であることを示す。
- 参考スコア(独自算出の注目度): 22.629956883958076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel technique for incorporating user input when learning and inferring user preferences. When trying to provide users of black-box machine learning models with actionable recourse, we often wish to incorporate their personal preferences about the ease of modifying each individual feature. These recourse finding algorithms usually require an exhaustive set of tuples associating each feature to its cost of modification. Since it is hard to obtain such costs by directly surveying humans, in this paper, we propose the use of the Bradley-Terry model to automatically infer feature-wise costs using non-exhaustive human comparison surveys. We propose that users only provide inputs comparing entire recourses, with all candidate feature modifications, determining which recourses are easier to implement relative to others, without explicit quantification of their costs. We demonstrate the efficient learning of individual feature costs using MAP estimates, and show that these non-exhaustive human surveys, which do not necessarily contain data for each feature pair comparison, are sufficient to learn an exhaustive set of feature costs, where each feature is associated with a modification cost.
- Abstract(参考訳): 本稿では,ユーザの好みを学習し,推測する際にユーザ入力を組み込む新しい手法を提案する。
ブラックボックス機械学習モデルのユーザに対して、アクション可能なリコースを提供しようとする場合、個々の機能の変更の容易性について、彼らの個人的な好みを取り入れたいと願うことがよくあります。
これらのリコース探索アルゴリズムは、通常、各特徴を修正コストに関連付ける、徹底したタプルセットを必要とする。
本稿では,人間を直接調査することでこのようなコストを得るのは難しいため,非計測的人間比較調査を用いて機能的コストを自動推定するBradley-Terryモデルを提案する。
提案する手法は,提案する提案手法では,提案する提案手法は,コストを明示的に定量化することなく,他の方法と比較して実施し易い項目を抽出し,提案手法のすべての特徴量と比較したインプットのみを提供する。
MAP推定値を用いて,個々の特徴コストを効率よく学習し,各特徴ペアの比較データを含む必要のない,各特徴が修正コストに関連付けられているような総括的な特徴コストの学習に十分であることを示す。
関連論文リスト
- Hybrid Preferences: Learning to Route Instances for Human vs. AI Feedback [87.37721254914476]
アノテーションの品質向上のために,人間とLMの入力を組み合わせたルーティングフレームワークを提案する。
我々は、人間とLMアノテーションの任意の組み合わせで報酬モデルの性能を予測するために、性能予測モデルを訓練する。
選択したハイブリッド混合物は,一方のみ使用した場合と比較して,報奨モデルの性能が向上することを示す。
論文 参考訳(メタデータ) (2024-10-24T20:04:15Z) - Learn What You Need in Personalized Federated Learning [53.83081622573734]
$textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。
我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2024-01-16T12:45:15Z) - Collaborative Anomaly Detection [66.51075412012581]
本研究では,タスク間の相関関係を埋め込むことで,全てのタスクを共同で学習するための協調的異常検出(CAD)を提案する。
条件密度推定と条件確率比推定を用いてCADを探索する。
タスク埋め込みモデルを学ぶために、前もって少数のタスクを選択し、それを使ってタスク埋め込みをウォームスタートさせることは有益である。
論文 参考訳(メタデータ) (2022-09-20T18:01:07Z) - One for All: Simultaneous Metric and Preference Learning over Multiple
Users [17.083305162005136]
回答者の群集からの同時選好とメートル法学習について検討した。
我々のモデルは、群衆のアイテム類似性の一般的な尺度を特徴付ける距離メートル法を共同で学習する。
我々は、シミュレーションデータと色嗜好判定のデータセットの両方で、モデルの性能を実証する。
論文 参考訳(メタデータ) (2022-07-07T22:47:13Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Personalized Algorithmic Recourse with Preference Elicitation [20.78332455864586]
PEARは、エンドユーザーのニーズに合わせてパーソナライズされたアルゴリズムの講義を提供する。
PEARは、ベイジアン選好引用からの洞察に基づいて、ターゲットユーザに対して選択セットクエリを尋ねることで、アクションのコストを反復的に見積もる。
実世界のデータセットに対する実証的な評価は、PEARがいかに高品質なパーソナライズされたリコースをほんの数イテレーションで生成するかを強調します。
論文 参考訳(メタデータ) (2022-05-27T03:12:18Z) - Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。
ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。
分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
論文 参考訳(メタデータ) (2021-11-10T22:12:52Z) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳(メタデータ) (2021-11-01T19:49:35Z) - Implications on Feature Detection when using the Benefit-Cost Ratio [0.0]
一般的なトレードオフ選択は、両者の比率であるBCR(benefit-cost ratio)である。
大きなコスト差と小さな効果の大きさの状況では、BCRは関連する特徴を欠き、安価なノイズ特徴を好んだ。
単純な利益-コスト比は、コストを組み込むための簡単なソリューションを提供するが、リスクを認識しておくことが重要です。
論文 参考訳(メタデータ) (2020-08-12T08:25:42Z) - Active Preference Learning using Maximum Regret [10.317601896290467]
本研究では,自律ロボットの動作を直感的に特定するための枠組みとして,能動的嗜好学習について検討する。
能動的嗜好学習では、ロボットがユーザの嗜好を学習する一連の選択肢から好む行動を選択する。
論文 参考訳(メタデータ) (2020-05-08T14:31:31Z)
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。