論文の概要: From Search To Sampling: Generative Models For Robust Algorithmic Recourse

• arxiv url: http://arxiv.org/abs/2505.07351v1
• Date: Mon, 12 May 2025 08:44:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.320499
• Title: From Search To Sampling: Generative Models For Robust Algorithmic Recourse
• Title（参考訳）: 検索からサンプリングへ:ロバストなアルゴリズム推論のための生成モデル
• Authors: Prateek Garg, Lokesh Nagalapatti, Sunita Sarawagi,
• Abstract要約: 我々は3つのリコース目標を共同でトレーニングするために設計されたジェネレーティブ・リコースモデルであるGenReを紹介する。 我々はGenReが、最先端のベースラインに比べてコスト、妥当性、妥当性の最良のトレードオフを提供することを示した。
• 参考スコア（独自算出の注目度）: 24.730097141422537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic Recourse provides recommendations to individuals who are adversely impacted by automated model decisions, on how to alter their profiles to achieve a favorable outcome. Effective recourse methods must balance three conflicting goals: proximity to the original profile to minimize cost, plausibility for realistic recourse, and validity to ensure the desired outcome. We show that existing methods train for these objectives separately and then search for recourse through a joint optimization over the recourse goals during inference, leading to poor recourse recommendations. We introduce GenRe, a generative recourse model designed to train the three recourse objectives jointly. Training such generative models is non-trivial due to lack of direct recourse supervision. We propose efficient ways to synthesize such supervision and further show that GenRe's training leads to a consistent estimator. Unlike most prior methods, that employ non-robust gradient descent based search during inference, GenRe simply performs a forward sampling over the generative model to produce minimum cost recourse, leading to superior performance across multiple metrics. We also demonstrate GenRe provides the best trade-off between cost, plausibility and validity, compared to state-of-art baselines. Our code is available at: https://github.com/prateekgargx/genre.
• Abstract（参考訳）: Algorithmic Recourseは、自動化されたモデル決定に悪影響を及ぼす個人に対して、適切な結果を得るためにプロファイルを変更する方法に関する推奨を提供する。 効果的なリコース手法は、コストを最小限に抑えるために元のプロファイルに近づき、現実的なリコースの妥当性と、望ましい結果を保証するための妥当性の3つの相反する目標をバランスさせなければならない。 既存の手法では、これらの目的を個別に訓練し、推論中のリコース目標に対する共同最適化を通じてリコースを探索し、粗末なリコースレコメンデーションをもたらすことを示す。 我々は3つのリコース目標を共同でトレーニングするために設計されたジェネレーティブ・リコースモデルであるGenReを紹介する。 このような生成モデルのトレーニングは、直接的なリコースの監督が欠如しているため、簡単ではない。 我々は、こうした監督を効率的に合成する方法を提案し、さらにGenReのトレーニングが一貫した推定に繋がることを示す。 推論中に非ロバスト勾配勾配に基づく探索を利用する従来の手法とは異なり、GenReは生成モデルをフォワードサンプリングして最小コストのレコースを生成するだけで、複数のメトリクスをまたいだパフォーマンスが向上する。 我々はまた、GenReが最先端のベースラインに比べてコスト、妥当性、妥当性の最良のトレードオフを提供することを示した。 私たちのコードは、https://github.com/prateekgargx/genre.comで利用可能です。

関連論文リスト

• Getting More Juice Out of the SFT Data: Reward Learning from Human Demonstration Improves SFT for LLM Alignment [65.15914284008973]
  我々は、報酬モデルと政策モデルを同時に構築するために、逆強化学習(IRL)技術を活用することを提案する。 提案アルゴリズムはIRL問題の定常解に収束することを示す。 その結果,アライメントプロセス全体を通じて報酬学習を活用することは有益であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-28T07:11:05Z)
• Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
  主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。 そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。 我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
  論文  参考訳（メタデータ） (2023-09-18T18:11:31Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• RAFT: Reward rAnked FineTuning for Generative Foundation Model Alignment [32.752633250862694]
  生成基礎モデルは、広範囲の教師なしのトレーニングデータから生じる暗黙のバイアスに影響を受けやすい。 我々は、生成モデルを効果的に整合させるために設計された新しいフレームワーク、Reward rAnked FineTuningを紹介する。
  論文  参考訳（メタデータ） (2023-04-13T18:22:40Z)
• Simplifying Model-based RL: Learning Representations, Latent-space Models, and Policies with One Objective [142.36200080384145]
  自己整合性を維持しつつ高いリターンを達成するために,潜在空間モデルとポリシーを協調的に最適化する単一目的を提案する。 得られたアルゴリズムは, モデルベースおよびモデルフリーRL手法のサンプル効率に適合するか, 改善することを示した。
  論文  参考訳（メタデータ） (2022-09-18T03:51:58Z)
• Probabilistically Robust Recourse: Navigating the Trade-offs between Costs and Robustness in Algorithmic Recourse [34.39887495671287]
  本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。 我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。 複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-13T21:39:24Z)

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。