論文の概要: Pricing AI Model Accuracy

• arxiv url: http://arxiv.org/abs/2504.13375v1
• Date: Thu, 17 Apr 2025 23:09:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 19:59:50.023158
• Title: Pricing AI Model Accuracy
• Title（参考訳）: 価格AIモデル精度
• Authors: Nikhil Kumar,
• Abstract要約: 我々は,競争が企業のインセンティブにどのように影響し,モデル精度を向上させるかを分析するために,消費者確認デュポリーモデルを開発する。 競争市場においては、全体的な正確性を改善する企業は必ずしも利益を上げるとは限らない。
• 参考スコア（独自算出の注目度）: 0.5559887546392757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper examines the market for AI models in which firms compete to provide accurate model predictions and consumers exhibit heterogeneous preferences for model accuracy. We develop a consumer-firm duopoly model to analyze how competition affects firms' incentives to improve model accuracy. Each firm aims to minimize its model's error, but this choice can often be suboptimal. Counterintuitively, we find that in a competitive market, firms that improve overall accuracy do not necessarily improve their profits. Rather, each firm's optimal decision is to invest further on the error dimension where it has a competitive advantage. By decomposing model errors into false positive and false negative rates, firms can reduce errors in each dimension through investments. Firms are strictly better off investing on their superior dimension and strictly worse off with investments on their inferior dimension. Profitable investments adversely affect consumers but increase overall welfare.
• Abstract（参考訳）: 本稿では、企業が正確なモデル予測を提供しようとするAIモデルの市場について検討し、消費者はモデル精度に対して異質な嗜好を示す。 我々は,競争が企業のインセンティブにどのように影響し,モデル精度を向上させるかを分析するために,消費者確認デュポリーモデルを開発する。 各会社はモデルの誤りを最小限に抑えることを目標としているが、この選択はしばしば準最適である。 競争の激しい市場では、全体的な正確性を改善する企業は必ずしも利益を上げるとは限らない。 むしろ、それぞれの会社の最適な決断は、競争上の優位性を持つエラーの次元にさらに投資することである。 モデルエラーを偽陽性と偽陰性に分解することで、企業は投資を通じて各次元のエラーを減らすことができる。 企業は、上層部への投資がより良く、下層部への投資がより悪くなっている。 利益のある投資は消費者に悪影響を及ぼすが、全体的な福祉は増大する。

関連論文リスト

• What Makes a Reward Model a Good Teacher? An Optimization Perspective [61.38643642719093]
  報奨モデルによらず,報酬の分散が低い場合,RLHFの目的は平坦な景観に苦しむことが証明された。 さらに、ある言語モデルでうまく機能する報酬モデルが、低い報酬分散を誘発し、したがって、別の言語モデルに対して平坦な客観的景観をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-03-19T17:54:41Z)
• Markets for Models [0.0]
  我々は、企業が予測を改善するためにモデルを消費者に販売する市場を調査する。 市場構造は、利用可能なモデルの統計的性質に微妙で非単調な方法に依存することができることを示す。
  論文  参考訳（メタデータ） (2025-03-04T19:07:02Z)
• Decision-informed Neural Networks with Large Language Model Integration for Portfolio Optimization [29.30269598267018]
  本稿では,ポートフォリオ最適化における予測と意思決定品質の重大な相違について論じる。 我々は,大規模言語モデル(LLM)の表現力を投資決定に活用する。 S&P100とDOW30データセットの実験から、私たちのモデルは最先端のディープラーニングモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-02-02T15:45:21Z)
• Comparative Analysis of LSTM, GRU, and Transformer Models for Stock Price Prediction [0.9217021281095907]
  本稿では、AIによる株価トレンド予測を中核研究とする。 2015年から2024年にかけて、有名なTesla車のモデルトレーニングデータセットを作成し、LSTM、GRU、Transformer Modelsと比較した。 その結果,LSTMモデルの精度は94%であった。
  論文  参考訳（メタデータ） (2024-10-20T14:00:58Z)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Finding Regularized Competitive Equilibria of Heterogeneous Agent Macroeconomic Models with Reinforcement Learning [151.03738099494765]
  労働市場に参入する世帯や企業を無限に数える異種エージェントマクロ経済モデルについて検討する。 本稿では,モデルの正規化競争均衡を求めるデータ駆動強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-24T17:16:27Z)
• Troubleshooting Blind Image Quality Models in the Wild [99.96661607178677]
  グループ最大分化競争(gMAD)は、盲目の画像品質評価(BIQA)モデルを改善するために使用されます。 対象モデルのprunedバージョンのランダムアンサンブルを改善するため、"self-competitors"のセットを構築します。 様々な障害は、自己gMADコンペティションを通じて効率的に識別できる。
  論文  参考訳（メタデータ） (2021-05-14T10:10:48Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Beating the market with a bad predictive model [0.0]
  我々は、価格予測モデルに完全に劣る体系的な利益を一般的に得ることを証明している。 鍵となるアイデアは、予測モデルのトレーニング目標を変更して、それを市場から明示的にデコレーションすることだ。
  論文  参考訳（メタデータ） (2020-10-23T16:20:35Z)

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。