論文の概要: Incentivizing Desirable Effort Profiles in Strategic Classification: The Role of Causality and Uncertainty

• arxiv url: http://arxiv.org/abs/2502.06749v1
• Date: Mon, 10 Feb 2025 18:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:35:17.982354
• Title: Incentivizing Desirable Effort Profiles in Strategic Classification: The Role of Causality and Uncertainty
• Title（参考訳）: 戦略分類における望ましくない行動プロファイルのインセンティブ:因果関係と不確かさの役割
• Authors: Valia Efthymiou, Chara Podimata, Diptangshu Sen, Juba Ziani,
• Abstract要約: エージェントが分類結果を改善するために特徴を変更できるバイナリ因果関係における戦略的分類について検討する。 以上の結果から,ドライブエージェントは,主嗜好に反する可能性のある,期待された重要度と重要性の低い特徴を優先することが示唆された。
• 参考スコア（独自算出の注目度）: 4.987315310656657
• License:
• Abstract: We study strategic classification in binary decision-making settings where agents can modify their features in order to improve their classification outcomes. Importantly, our work considers the causal structure across different features, acknowledging that effort in a given feature may affect other features. The main goal of our work is to understand \emph{when and how much agent effort is invested towards desirable features}, and how this is influenced by the deployed classifier, the causal structure of the agent's features, their ability to modify them, and the information available to the agent about the classifier and the feature causal graph. In the complete information case, when agents know the classifier and the causal structure of the problem, we derive conditions ensuring that rational agents focus on features favored by the principal. We show that designing classifiers to induce desirable behavior is generally non-convex, though tractable in special cases. We also extend our analysis to settings where agents have incomplete information about the classifier or the causal graph. While optimal effort selection is again a non-convex problem under general uncertainty, we highlight special cases of partial uncertainty where this selection problem becomes tractable. Our results indicate that uncertainty drives agents to favor features with higher expected importance and lower variance, potentially misaligning with principal preferences. Finally, numerical experiments based on a cardiovascular disease risk study illustrate how to incentivize desirable modifications under uncertainty.
• Abstract（参考訳）: エージェントが分類結果を改善するために特徴を変更できる二分決定設定における戦略的分類について検討する。 重要なことは、ある機能に対する取り組みが他の機能に影響を与える可能性があることを認めながら、異なる機能に対する因果構造について検討していることです。 我々の研究の主な目的は、所望の機能に対してどの程度のエージェントの努力が注がれるかを理解することであり、それがどのようにデプロイされた分類器、エージェントの特徴の因果構造、それらを修正する能力、そして、分類器と特徴因果グラフに関するエージェントに利用可能な情報に影響されるかを理解することである。 完全情報の場合、エージェントが問題の分類器と因果構造を知っていれば、合理的エージェントがプリンシパルに好まれる特徴に焦点をあてることを保証する条件を導出する。 望ましい振る舞いを誘導するために分類器を設計することは一般には非凸であるが、特別の場合では抽出可能である。 また、分析を、エージェントが分類器や因果グラフに関する不完全な情報を持っている設定にまで拡張する。 最適作業選択は、一般的な不確実性の下でも再び非凸問題であるが、この選択問題が引き起こされる部分的不確実性の特別な事例を強調する。 以上の結果から,不確実性はエージェントが期待される重要度が高く,分散度が低い特徴を優先し,主選好に悪影響を及ぼす可能性が示唆された。 最後に、循環器疾患リスク研究に基づく数値実験は、不確実性の下で望ましい修正を動機付ける方法を示している。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Bayesian Strategic Classification [11.439576371711711]
  戦略分類における学習者による部分的情報公開の研究について検討する。 エージェントの操作能力を高めつつも,そのような部分的な情報公開が学習者の正確さにどのように寄与するかを示す。
  論文  参考訳（メタデータ） (2024-02-13T19:51:49Z)
• Detection and Evaluation of bias-inducing Features in Machine learning [14.045499740240823]
  機械学習(ML)の文脈では、システムの偏りのある振る舞いの理由を理解するために、原因から影響までの分析を用いることができる。 ドメインエキスパートの意思決定を支援するために,モデルの全バイアス誘発特徴を体系的に同定する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T15:01:16Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Causal Discovery with Language Models as Imperfect Experts [119.22928856942292]
  専門知識を用いて因果グラフの同定を改善する方法について検討する。 整合性に基づく専門家の知識を改良するための戦略を提案する。 本稿では,不完全な専門家として大規模言語モデルを用いる実データを用いたケーススタディについて報告する。
  論文  参考訳（メタデータ） (2023-07-05T16:01:38Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Application of Causal Inference to Analytical Customer Relationship Management in Banking and Insurance [6.228766191647919]
  統計学において、因果関係は長年研究され、応用されてきたが、人工知能(AI)についてはあまり詳細には研究されていない。 本研究では、分析的顧客関係管理問題を解決するための説明可能性を提供するために、因果推論の原則を適用した。 ローンのデフォルト、保険詐欺検出、クレジットカード詐欺検出データセットの良質な対策が作成された。
  論文  参考訳（メタデータ） (2022-08-19T05:57:58Z)
• Mitigating Uncertainty of Classifier for Unsupervised Domain Adaptation [21.56619121620334]
  ソースとターゲット分布の整合性の観点から,分類器の役割を徹底的に検討する。 分析の結果,これら3つの分布を用いることで,すべてのデータセットのパフォーマンスが一貫した改善が達成されることがわかった。
  論文  参考訳（メタデータ） (2021-07-01T20:08:15Z)
• Information Theoretic Measures for Fairness-aware Feature Selection [27.06618125828978]
  我々は,特徴の精度と識別的影響に関する情報理論に基づく,公平性を考慮した特徴選択のためのフレームワークを開発する。 具体的には、この機能が正確性や非差別的判断にどのように影響するかを定量化する、各機能に対する公平性ユーティリティスコアを設計することを目的としています。
  論文  参考訳（メタデータ） (2021-06-01T20:11:54Z)

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。