論文の概要: Time Can Invalidate Algorithmic Recourse

• arxiv url: http://arxiv.org/abs/2410.08007v1
• Date: Thu, 10 Oct 2024 15:02:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 06:05:02.956105
• Title: Time Can Invalidate Algorithmic Recourse
• Title（参考訳）: 時がアルゴリズムの会話を無効にできる
• Authors: Giovanni De Toni, Stefano Teso, Bruno Lepri, Andrea Passerini,
• Abstract要約: 因果関係のレンズを通して問題を提示することにより、時間とともにアルゴリズム的言論の頑健さを考察する。 本稿では,時間に比例した時間的ARのための簡易かつ効果的なアルゴリズムを提案する。 合成および現実的なデータセットに関するシミュレーションでは、時間を考慮した場合、データ分布の潜在的なトレンドに対するよりレジリエントな解決方法が示される。
• 参考スコア（独自算出の注目度）: 20.78332455864586
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Algorithmic Recourse (AR) aims to provide users with actionable steps to overturn unfavourable decisions made by machine learning predictors. However, these actions often take time to implement (e.g., getting a degree can take years), and their effects may vary as the world evolves. Thus, it is natural to ask for recourse that remains valid in a dynamic environment. In this paper, we study the robustness of algorithmic recourse over time by casting the problem through the lens of causality. We demonstrate theoretically and empirically that (even robust) causal AR methods can fail over time except in the - unlikely - case that the world is stationary. Even more critically, unless the world is fully deterministic, counterfactual AR cannot be solved optimally. To account for this, we propose a simple yet effective algorithm for temporal AR that explicitly accounts for time. Our simulations on synthetic and realistic datasets show how considering time produces more resilient solutions to potential trends in the data distribution.
• Abstract（参考訳）: Algorithmic Recourse(AR)は、マシンラーニングの予測者による望ましくない決定を覆すための実行可能なステップをユーザに提供することを目的としている。 しかし、これらのアクションは実装に時間がかかることが多く(例えば、学位を取得するのには数年かかる)、その効果は世界が進化するにつれて変化する可能性がある。 したがって、動的環境において依然として有効であるような言論を求めるのは自然である。 本稿では,因果関係のレンズを通して問題を提示することにより,時間とともにアルゴリズム的言論の頑健さを考察する。 我々は、(堅牢な)因果AR手法が時間とともに失敗する可能性があることを理論的、実証的に実証する。 さらに重要なのは、世界が完全に決定論的でない限り、カウンターファクトARは最適に解決できないことだ。 そこで本稿では,時間に比例した時間的ARのための簡易かつ効果的なアルゴリズムを提案する。 合成および現実的なデータセットに関するシミュレーションは、時間を考慮した場合、データ分布の潜在的なトレンドに対するより弾力性のある解決策をいかに生み出すかを示す。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Prospective Learning: Learning for a Dynamic Future [30.449933525877537]
  現実世界のアプリケーションでは、データの分散とゴールは時間とともに進化します。 データと目標の動的な性質に対処する既存の戦略は、現実世界のパフォーマンスが劣っていることを示している。 「振り返り学習」は、最適仮説が時間とともに変化する状況に合わせて調整される。
  論文  参考訳（メタデータ） (2024-10-31T18:03:17Z)
• Perfect Counterfactuals in Imperfect Worlds: Modelling Noisy Implementation of Actions in Sequential Algorithmic Recourse [26.57812122315108]
  アルゴリズムによる会話は、自動意思決定に悪影響を及ぼした個人に行動を与える。 環境変動性や個人の選択により、ユーザーが完璧に実装することを保証していない。 本稿では,RObust Sequential(ROSE)レコース生成器を提案する。
  論文  参考訳（メタデータ） (2024-10-03T07:47:42Z)
• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• Successive Refinement in Large-Scale Computation: Advancing Model Inference Applications [67.76749044675721]
  階層化分解能計算の解を導入する。 これらの解により、最終結果よりも早い段階でより解像度の低い結果が得られる。
  論文  参考訳（メタデータ） (2024-02-11T15:36:33Z)
• Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
  対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。 既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。 次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
  論文  参考訳（メタデータ） (2023-08-16T07:36:58Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Reinforcement Learning with Algorithms from Probabilistic Structure Estimation [9.37335587960084]
  強化学習アルゴリズムは未知の環境で最適な決定を学習することを目的としている。 エージェントのアクションが環境に影響を及ぼすかどうかは、当初から不明である。 どのRLアルゴリズムが最も適しているかを決定することはしばしば不可能です。
  論文  参考訳（メタデータ） (2021-03-15T09:51:34Z)
• Sample-Efficient Reinforcement Learning via Counterfactual-Based Data Augmentation [15.451690870640295]
  医療などのいくつかのシナリオでは、通常、各患者に利用可能なレコードはごくわずかであり、現在の強化学習アルゴリズムの適用を妨げる。 構造因果モデル(SCM)を利用して状態ダイナミクスをモデル化する,データ効率の高いRLアルゴリズムを提案する。 本研究は, 軽度条件下では反実結果が識別可能であり, 反実に基づく拡張データセット上のq学習が最適値関数に収束することを示す。
  論文  参考訳（メタデータ） (2020-12-16T17:21:13Z)
• Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
  本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。 我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-17T03:41:19Z)
• ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for Time Series [0.27528170226206433]
  本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。 ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。 実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-05T21:26:24Z)

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。