論文の概要: Statistical Collusion by Collectives on Learning Platforms

• arxiv url: http://arxiv.org/abs/2502.04879v1
• Date: Fri, 07 Feb 2025 12:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:58:18.286281
• Title: Statistical Collusion by Collectives on Learning Platforms
• Title（参考訳）: 学習プラットフォームにおける集団による統計的衝突
• Authors: Etienne Gauthier, Francis Bach, Michael I. Jordan,
• Abstract要約: 集団は自身の利益に合わせるためにプラットフォームに影響を与えようとするかもしれない。 この方法でプラットフォームに影響を与えるためには、集団が実行しなければならない計算を理解することが不可欠である。 これらの問題を理論的かつアルゴリズム的に処理するフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License:
• Abstract: As platforms increasingly rely on learning algorithms, collectives may form and seek ways to influence these platforms to align with their own interests. This can be achieved by coordinated submission of altered data. To evaluate the potential impact of such behavior, it is essential to understand the computations that collectives must perform to impact platforms in this way. In particular, collectives need to make a priori assessments of the effect of the collective before taking action, as they may face potential risks when modifying their data. Moreover they need to develop implementable coordination algorithms based on quantities that can be inferred from observed data. We develop a framework that provides a theoretical and algorithmic treatment of these issues and present experimental results in a product evaluation domain.
• Abstract（参考訳）: プラットフォームは学習アルゴリズムにますます依存しているため、集団はこれらのプラットフォームに影響を与え、自身の関心に合わせる方法を模索するかもしれない。 これは、修正されたデータの協調的な提出によって達成できる。 このような振る舞いの潜在的影響を評価するためには、このような方法でプラットフォームに影響を与えるために集団が実行しなければならない計算を理解することが不可欠である。 特に、集団は行動を起こす前に集団の効果を事前評価する必要がある。 さらに、観測データから推測できる量に基づいて、実装可能な調整アルゴリズムを開発する必要がある。 本稿では,これらの問題を理論的,アルゴリズム的に処理するフレームワークを開発し,製品評価領域における実験結果を示す。

関連論文リスト

• Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
  オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。 提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
  論文  参考訳（メタデータ） (2024-04-22T09:16:14Z)
• When is Off-Policy Evaluation (Reward Modeling) Useful in Contextual Bandits? A Data-Centric Perspective [64.73162159837956]
  ログ化されたデータセットだけで仮説的ターゲットポリシーの価値を評価することは重要だが、難しい。 データ中心のフレームワークであるDataCOPEを提案する。 医療データセットを用いたログ化された文脈的帯域設定におけるDataCOPEの実証分析により、機械学習と人間の専門家ポリシーの両方を評価する能力が確認された。
  論文  参考訳（メタデータ） (2023-11-23T17:13:37Z)
• Collaborative Learning via Prediction Consensus [38.89001892487472]
  我々は,協力者の専門知識を活用して,各エージェントの目標が自身のモデルを改善するための協調学習環境を考える。 本研究では, 共分散ラベル付き補助データを利用した蒸留法を提案する。 我々は,協調方式が個々のモデルの性能を大幅に向上させることができることを実証的に実証した。
  論文  参考訳（メタデータ） (2023-05-29T14:12:03Z)
• Striving for data-model efficiency: Identifying data externalities on group performance [75.17591306911015]
  信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。 我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。 以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
  論文  参考訳（メタデータ） (2022-11-11T16:48:27Z)
• Data-Centric AI Requires Rethinking Data Notion [12.595006823256687]
  この研究は、データの分類とコチェーンの概念によって提供される原則を統一することを提案する。 分類学的概念では、データは、この構造を保存するために射を通して作用する数学的構造と見なされる。 コチェーンの概念については、データは関心の離散領域で定義され、演算子を介して作用する関数と見なすことができる。
  論文  参考訳（メタデータ） (2021-10-06T04:00:38Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Representation Matters: Assessing the Importance of Subgroup Allocations in Training Data [85.43008636875345]
  訓練データにおける多様な表現は,サブグループのパフォーマンス向上と集団レベルの目標達成の鍵である。 分析と実験は、データセット構成がパフォーマンスにどのように影響するかを説明し、既存のデータにおけるトレンドとドメイン知識を用いて、意図的かつ客観的なデータセット設計を導くのに役立つ構成結果を提供する。
  論文  参考訳（メタデータ） (2021-03-05T00:27:08Z)
• Deep Goal-Oriented Clustering [25.383738675621505]
  クラスタリングと予測は、教師なしおよび教師なし学習の分野における2つの主要なタスクである。 サイドインフォメーションによる監視を併用してデータをクラスタリングする確率的フレームワークであるDeep Goal-Oriented Clustering (DGC)を紹介した。 我々は,最先端技術に匹敵する予測精度を達成し,データセットに対するモデルの有効性を示す。
  論文  参考訳（メタデータ） (2020-06-07T20:41:08Z)

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。