論文の概要: Evolutionary Prediction Games

• arxiv url: http://arxiv.org/abs/2503.03401v2
• Date: Thu, 12 Jun 2025 11:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.177727
• Title: Evolutionary Prediction Games
• Title（参考訳）: 進化予測ゲーム
• Authors: Eden Saig, Nir Rosenfeld,
• Abstract要約: 進化ゲーム理論に基づくフレームワークである進化予測ゲームを紹介する。 無制限のデータと計算能力を備えた理想的な設定では、繰り返し学習が競合を生み出し、競争排除を促進する。 現実的な制約の下では,グループ間の安定な共存と相互主義的共生が可能であることを示す。
• 参考スコア（独自算出の注目度）: 14.771178412529856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a prediction algorithm serves a collection of users, disparities in prediction quality are likely to emerge. If users respond to accurate predictions by increasing engagement, inviting friends, or adopting trends, repeated learning creates a feedback loop that shapes both the model and the population of its users. In this work, we introduce evolutionary prediction games, a framework grounded in evolutionary game theory which models such feedback loops as natural-selection processes among groups of users. Our theoretical analysis reveals a gap between idealized and real-world learning settings: In idealized settings with unlimited data and computational power, repeated learning creates competition and promotes competitive exclusion across a broad class of behavioral dynamics. However, under realistic constraints such as finite data, limited compute, or risk of overfitting, we show that stable coexistence and mutualistic symbiosis between groups becomes possible. We analyze these possibilities in terms of their stability and feasibility, present mechanisms that can sustain their existence, and empirically demonstrate our findings.
• Abstract（参考訳）: 予測アルゴリズムがユーザの集合を提供する場合、予測品質の格差が出現する可能性が高い。 ユーザがエンゲージメントを増やしたり、友人を招待したり、トレンドを採用したりすることで正確な予測に応答した場合、繰り返し学習はモデルとユーザーの人口の両方を形作るフィードバックループを生成する。 本研究では,ユーザのグループ間での自然な選択プロセスのようなフィードバックループをモデル化する進化ゲーム理論に基づくフレームワークである進化予測ゲームを紹介する。 無制限なデータと計算能力を備えた理想化された設定では、繰り返し学習は競争を生み出し、幅広い行動力学のクラスにまたがる競争的排除を促進する。 しかし, 有限データ, 限定計算, オーバーフィッティングのリスクといった現実的な制約の下では, 群間の安定な共存と相互主義的共生が可能であることを示す。 これらの可能性をその安定性と実現可能性の観点から分析し、その存在を持続するメカニズムを提示し、我々の発見を実証的に示す。

関連論文リスト

• U-aggregation: Unsupervised Aggregation of Multiple Learning Algorithms [4.871473117968554]
  新人口の強化とロバスト化のための教師なしモデルアグリゲーション手法U-アグリゲーションを提案する。 既存の教師付きモデルアグリゲーションや超学習者アプローチとは異なり、U-アグリゲーションは対象人口の観測されたラベルや成果を仮定しない。 複雑な形質の遺伝的リスク予測を高めるために,U凝集を用いた実世界の応用の可能性を示す。
  論文  参考訳（メタデータ） (2025-01-30T01:42:51Z)
• Predicting change in time production -- A machine learning approach to time perception [1.3091548163229116]
  我々は、個人の時間生産における変化の方向を予測するために、機械学習モデルを訓練する。 時間生産における変化の方向を決定する上で,参加者のこれまでのタイミングパフォーマンスが重要な役割を担っていることがわかった。
  論文  参考訳（メタデータ） (2024-12-17T10:41:19Z)
• From Fairness to Infinity: Outcome-Indistinguishable (Omni)Prediction in Evolving Graphs [11.033328323347963]
  これらのテクニックをグラフの進化に適用し、オンラインの結果を区別できない、リッチな(おそらく無限の)差別化要因のセットを得る。 これは、人口集団のペアに関して、エッジ形成のマルチキャリブレート予測をもたらす。
  論文  参考訳（メタデータ） (2024-11-26T16:49:16Z)
• Evolving choice hysteresis in reinforcement learning: comparing the adaptive value of positivity bias and gradual perseveration [0.0]
  多くの状況において, 肯定バイアスは進化的安定であり, 漸進的摂動の出現は体系的でなく, 頑健であることを示す。 以上の結果から, 環境特異的な方法で, バイアスが適応し, 進化によって選択できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-25T09:47:31Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Neural population geometry and optimal coding of tasks with shared latent structure [4.490493754303233]
  4つの幾何学的測度がタスク間の性能を決定することを示す。 マルチタスク学習問題に対する最適解として,実験的に観察された不整合表現が自然に現れることがわかった。
  論文  参考訳（メタデータ） (2024-02-26T17:39:23Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Using Sequences of Life-events to Predict Human Lives [16.77071145203099]
  我々は、人間の生活の進化と予測可能性を調べるために、最も包括的なレジストリデータを作成している。 我々は、この埋め込み空間が堅牢で高度に構造化されていることを示す1つのベクトル空間に、ライフイベントの埋め込みを作成する。 我々のモデルは、早期死亡からパーソナリティニュアンスまで多様な結果を予測することができ、最先端のモデルよりも広いマージンで優れています。
  論文  参考訳（メタデータ） (2023-06-05T16:19:48Z)
• Long-Term Fairness with Unknown Dynamics [16.683582656377396]
  オンライン強化学習の文脈における長期的公正性を定式化する。 アルゴリズムは短期インセンティブを犠牲にして未知のダイナミクスに適応できることを示す。
  論文  参考訳（メタデータ） (2023-04-19T01:13:37Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
  未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。 人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。 本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
  論文  参考訳（メタデータ） (2022-04-02T21:50:45Z)
• Convolutional Motif Kernel Networks [1.104960878651584]
  我々のモデルは、小さなデータセットでしっかりと学習でき、関連する医療予測タスクで最先端のパフォーマンスを達成できることを示す。 提案手法はDNAおよびタンパク質配列に利用することができる。
  論文  参考訳（メタデータ） (2021-11-03T15:06:09Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Modeling the EdNet Dataset with Logistic Regression [0.0]
  私たちは、教育データマイニングの観点から競争の経験を説明します。 我々は,kaggleシステムにおける基礎的結果と,その改善の可能性について考察した。
  論文  参考訳（メタデータ） (2021-05-17T20:30:36Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Learning Opinion Dynamics From Social Traces [25.161493874783584]
  本稿では,現実の社会的トレースに,生成的,エージェントライクな意見力学モデルを適用するための推論機構を提案する。 本稿では,古典的エージェントに基づく意見力学モデルから,その生成的モデルへの変換による提案について紹介する。 われわれのモデルをRedditの現実世界のデータに適用して、バックファイア効果の影響に関する長年にわたる疑問を探る。
  論文  参考訳（メタデータ） (2020-06-02T14:48:17Z)
• Predicting human decisions with behavioral theories and machine learning [13.000185375686325]
  本稿では,行動理論(BEAST)と機械学習を統合したハイブリッドモデルであるBEAST Gradient Boosting(BEAST-GB)を紹介する。 BEAST-GBは、膨大なデータと数十の既存の行動モデルに基づいてトレーニングされたニューラルネットワークよりも正確に予測する。 我々の結果は、機械学習を理論的フレームワーク、特に予測のために設計されたBEASTと統合することで、人間の振る舞いを予測し理解する能力が向上することを示す。
  論文  参考訳（メタデータ） (2019-04-15T06:12:44Z)

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。