論文の概要: On the Impact of Performative Risk Minimization for Binary Random Variables
- arxiv url: http://arxiv.org/abs/2502.02331v1
- Date: Tue, 04 Feb 2025 14:06:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:03:52.787897
- Title: On the Impact of Performative Risk Minimization for Binary Random Variables
- Title(参考訳): 2変数ランダム変数に対する性能的リスク最小化の影響について
- Authors: Nikita Tsoy, Ivan Kirev, Negin Rahimiyazdi, Nikola Konstantinov,
- Abstract要約: 連立確率変数と線形能動シフトを用いた逐次能動リスク最小化問題に対する性能評価について検討した。
完全な情報の場合、PRMソリューションと影響測定の明確な公式を導出する。
我々の分析は、データシフトをモデル化しない代替品とPRMを対比し、PRMが増幅された副作用を持つことを示す。
- 参考スコア(独自算出の注目度): 3.3748750222488657
- License:
- Abstract: Performativity, the phenomenon where outcomes are influenced by predictions, is particularly prevalent in social contexts where individuals strategically respond to a deployed model. In order to preserve the high accuracy of machine learning models under distribution shifts caused by performativity, Perdomo et al. (2020) introduced the concept of performative risk minimization (PRM). While this framework ensures model accuracy, it overlooks the impact of the PRM on the underlying distributions and the predictions of the model. In this paper, we initiate the analysis of the impact of PRM, by studying performativity for a sequential performative risk minimization problem with binary random variables and linear performative shifts. We formulate two natural measures of impact. In the case of full information, where the distribution dynamics are known, we derive explicit formulas for the PRM solution and our impact measures. In the case of partial information, we provide performative-aware statistical estimators, as well as simulations. Our analysis contrasts PRM to alternatives that do not model data shift and indicates that PRM can have amplified side effects compared to such methods.
- Abstract(参考訳): 適応性(Performativity)は、結果が予測に影響される現象であり、個人が配置されたモデルに戦略的に反応する社会的文脈において特に一般的である。
Perdomo et al (2020)は、分散シフトによる機械学習モデルの高精度性を維持するため、パフォーマンスリスク最小化(PRM)の概念を導入した。
このフレームワークはモデルの精度を保証するが、基礎となる分布とモデルの予測に対するPRMの影響を見落としている。
本稿では,2次確率変数と線形性能シフトを持つ逐次的性能リスク最小化問題に対する性能性について検討し,PRMの影響の分析を開始する。
衝撃の自然な2つの尺度を定式化します。
分布力学が知られているフル情報の場合、PRMソリューションと我々の影響測定の明確な公式を導出する。
部分的な情報の場合、性能を考慮した統計的推定器とシミュレーションを提供する。
我々の分析は、データシフトをモデル化しない代替手法と対比し、これらの手法と比較して、PRMが増幅された副作用を持つことを示す。
関連論文リスト
- Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳(メタデータ) (2025-02-11T19:24:09Z) - On Rollouts in Model-Based Reinforcement Learning [5.004576576202551]
モデルベース強化学習(MBRL)は、環境のモデルを学び、そこから合成ロールアウトを生成することにより、データ効率を向上させることを目指している。
これらのロールアウト中に蓄積されたモデルエラーは、データの分散を歪め、ポリシー学習に悪影響を及ぼし、長期計画を妨げる可能性がある。
本稿では,アレータリックをモデル不確実性から分離し,データ分布に対する後者の影響を低減するモデルベースのロールアウト機構であるInfopropを提案する。
論文 参考訳(メタデータ) (2025-01-28T13:02:52Z) - The Lessons of Developing Process Reward Models in Mathematical Reasoning [62.165534879284735]
Process Reward Models (PRM) は、推論プロセスにおける中間エラーを特定し、緩和することを目的としている。
我々は,モンテカルロ (MC) 推定とLarge Language Models (LLM) を効果的に統合するコンセンサスフィルタリング機構を開発した。
私たちは、既存のオープンソース代替品よりも優れた、最先端のPRMを新たにリリースしています。
論文 参考訳(メタデータ) (2025-01-13T13:10:16Z) - Modeling human decomposition: a Bayesian approach [0.0]
我々は、死後間隔(PMI)に基づく人骨の分解のための生成確率モデルを開発する。
このモデルは、PMIを含む各変数が各分解特性の外観に与える影響を明示的に表現する。
その結果,ROC AUCスコア0.85で24個の分解特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2024-11-14T20:37:10Z) - Optimal Classification under Performative Distribution Shift [13.508249764979075]
本稿では,動作効果をプッシュフォワード尺度としてモデル化した新しい視点を提案する。
我々は、新しい仮定のセットの下で、パフォーマンスリスクの凸性を証明する。
また, 性能リスクの最小化を min-max 変動問題として再定義することにより, 逆向きの頑健な分類との関係を確立する。
論文 参考訳(メタデータ) (2024-11-04T12:20:13Z) - Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
これらの課題に対処するための影響関数フレームワークを開発する。
論文 参考訳(メタデータ) (2024-10-17T17:59:02Z) - Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。
本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。
低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
論文 参考訳(メタデータ) (2024-05-28T20:43:53Z) - Learning the Distribution Map in Reverse Causal Performative Prediction [29.87210806730226]
データから分布シフトを学習するための新しいアプローチを導入する。
提案手法は逆因果モデルに基づいて予測され, 予測モデルでは, エージェントの作用の有限セットを通してのみ分布シフトを導出する。
本フレームワークでは,エージェントの行動にマイクロファウンデーションモデルを適用し,分布シフトマップを学習するための統計的に正当化された方法論を開発する。
論文 参考訳(メタデータ) (2024-05-24T03:12:13Z) - Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳(メタデータ) (2024-03-08T14:45:18Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳(メタデータ) (2020-11-04T10:00:27Z)
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。