論文の概要: Learning Classifiers That Induce Markets

• arxiv url: http://arxiv.org/abs/2502.20012v1
• Date: Thu, 27 Feb 2025 11:49:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:35.371286
• Title: Learning Classifiers That Induce Markets
• Title（参考訳）: 市場を誘導する分類器の学習
• Authors: Yonatan Sommer, Ivri Hikri, Lotan Amit, Nir Rosenfeld,
• Abstract要約: ユーザが肯定的な予測を求めると、重要な機能に対する需要が生まれ、機能が購入可能であれば市場が成立し、競争によって価格が上昇する、と私たちは主張する。 本稿では,学習課題の分析を行い,市場価格の計算アルゴリズムを考案し,異なる学習フレームワークを提案し,新しい設定とアプローチを探求する実験を行う。
• 参考スコア（独自算出の注目度）: 10.73085261703945
• License:
• Abstract: When learning is used to inform decisions about humans, such as for loans, hiring, or admissions, this can incentivize users to strategically modify their features to obtain positive predictions. A key assumption is that modifications are costly, and are governed by a cost function that is exogenous and predetermined. We challenge this assumption, and assert that the deployment of a classifier is what creates costs. Our idea is simple: when users seek positive predictions, this creates demand for important features; and if features are available for purchase, then a market will form, and competition will give rise to prices. We extend the strategic classification framework to support this notion, and study learning in a setting where a classifier can induce a market for features. We present an analysis of the learning task, devise an algorithm for computing market prices, propose a differentiable learning framework, and conduct experiments to explore our novel setting and approach.
• Abstract（参考訳）: 学習が貸付、雇用、入場などの人間に関する意思決定に使用される場合、ユーザーは肯定的な予測を得るために、戦略的に機能を変更できるインセンティブを与えることができる。 重要な前提は、修正は費用がかかり、外生的かつ所定のコスト関数によって管理されるということである。 私たちはこの仮定に挑戦し、分類器の配置がコストを生み出すものであると断言します。 私たちのアイデアは単純です – ユーザが肯定的な予測を求めると,重要な機能に対する需要が生まれます。 我々は、この概念をサポートするために戦略分類フレームワークを拡張し、分類器が特徴の市場を誘導できるような環境で学習を研究する。 本稿では,学習課題の分析を行い,市場価格の計算アルゴリズムを考案し,異なる学習フレームワークを提案し,新しい設定とアプローチを探求する実験を行う。

関連論文リスト

• Feature Responsiveness Scores: Model-Agnostic Explanations for Recourse [7.730963708373791]
  消費者保護規則は、有害な判断を受けた消費者に「原則的理由」のリストを提供することを義務付けている。 実際には、貸し手や雇用主は、特徴帰属法から上位の特徴を返却することで、主な理由を特定できる。 本研究は,標準的な帰属手法が,無言の理由を強調することによって,個人を誤解させる可能性があることを示す。 応答性に基づいて特徴をスコアリングすることで,これらの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-10-29T23:37:49Z)
• Learnability Gaps of Strategic Classification [68.726857356532]
  我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。 ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。 この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
  論文  参考訳（メタデータ） (2024-02-29T16:09:19Z)
• Classification Under Strategic Self-Selection [13.168262355330299]
  自己選択が学習に与える影響と,学習が自己選択集団の構成に及ぼす影響について検討した。 本稿では,自己選択行動下での学習を効果的に最適化できる,識別可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T11:37:56Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
  本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。 これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。 モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
  論文  参考訳（メタデータ） (2023-04-10T15:44:50Z)
• Generalized Strategic Classification and the Case of Aligned Incentives [16.607142366834015]
  戦略的なユーザー行動の理由について、より広い視点で議論する。 我々のモデルは現在のモデルの多くを仮定するが、他の新しい設定を含んでいる。 結果とアプローチが,最も一般的なケースにどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-02-09T09:36:09Z)
• Trading via Selective Classification [3.5027291542274357]
  貿易戦略設計における二分法と三分法の選択的分類の適用について検討する。 第三級分類では、価格が上昇または下降するクラスに加えて、どちらの方向にも比較的小さな価格移動に対応する第三級を含む。
  論文  参考訳（メタデータ） (2021-10-28T06:38:05Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)
• Gaming Helps! Learning from Strategic Interactions in Natural Dynamics [31.670231315699237]
  個人が回帰モデルに適応するオンライン回帰設定を考える。 このような戦略的操作は、実際に学習者が有意義な変数を回復するのに役立ちます。
  論文  参考訳（メタデータ） (2020-02-17T16:09:37Z)

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。