論文の概要: Strategic Classification with Non-Linear Classifiers

• arxiv url: http://arxiv.org/abs/2505.23443v1
• Date: Thu, 29 May 2025 13:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.879635
• Title: Strategic Classification with Non-Linear Classifiers
• Title（参考訳）: 非線形分類器を用いた戦略分類
• Authors: Benyamin Trachtenberg, Nir Rosenfeld,
• Abstract要約: 非線形分類器の下での戦略的ユーザ行動がどう現れるかを示す。 鍵となる発見は、環境が戦略的であれば、普遍的な近似器はもはや普遍的ではないことである。
• 参考スコア（独自算出の注目度）: 13.175123810033124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In strategic classification, the standard supervised learning setting is extended to support the notion of strategic user behavior in the form of costly feature manipulations made in response to a classifier. While standard learning supports a broad range of model classes, the study of strategic classification has, so far, been dedicated mostly to linear classifiers. This work aims to expand the horizon by exploring how strategic behavior manifests under non-linear classifiers and what this implies for learning. We take a bottom-up approach showing how non-linearity affects decision boundary points, classifier expressivity, and model classes complexity. A key finding is that universal approximators (e.g., neural nets) are no longer universal once the environment is strategic. We demonstrate empirically how this can create performance gaps even on an unrestricted model class.
• Abstract（参考訳）: 戦略的分類において、標準的な教師付き学習設定を拡張して、分類器に応答して行われるコストの高い特徴操作という形で、戦略的ユーザ行動の概念をサポートする。 標準学習は幅広いモデルクラスをサポートするが、これまで戦略分類の研究は主に線形分類器に向けられていた。 この研究は、非線形分類器の下での戦略的行動がどのように現れるか、そしてこれが学習にどのような意味を持つのかを探求することによって、地平線を拡大することを目的としている。 非線型性が決定境界点、分類器表現率、モデルクラス複雑性にどのように影響するかを示すボトムアップのアプローチを取る。 鍵となる発見は、ユニバーサル近似器(例えばニューラルネット)は、環境が戦略的であれば、もはや普遍的ではないことである。 これは、制限のないモデルクラスでもパフォーマンスのギャップを生じることを実証的に示します。

関連論文リスト

• SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery [55.72840638180451]
  Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。 自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。 モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
  論文  参考訳（メタデータ） (2024-08-26T15:53:50Z)
• PILoRA: Prototype Guided Incremental LoRA for Federated Class-Incremental Learning [41.984652077669104]
  標準データセットによる実験結果から,本手法は最先端の手法よりも優れていたことが示唆された。 本手法は, 異なる設定, データの均一度において, 強靭性と優越性を示す。
  論文  参考訳（メタデータ） (2024-01-04T06:46:19Z)
• Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
  既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。 我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:24:08Z)
• Strategic Classification with Graph Neural Networks [10.131895986034316]
  学習にグラフを使用すると、予測にユーザ間の依存関係が導入される。 本稿では,グラフに基づく分類器の戦略的ロバスト学習のための微分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） (2022-05-31T13:11:25Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Class-Incremental Learning with Generative Classifiers [6.570917734205559]
  本稿では,クラス増分学習のための新しい戦略を提案する。 本提案は,p(x|y)p(y) として分解された合同分布 p(x,y) を学習し,ベイズ則を用いた分類を行うことである。 ここでは,各学習クラスに対して,変分オートエンコーダをトレーニングすることで,この戦略を実証する。
  論文  参考訳（メタデータ） (2021-04-20T16:26:14Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• PAC-Learning for Strategic Classification [18.60310393343275]
  本稿では、戦略的VC次元(SVC)の概念を導入し、一般戦略設定におけるPAC学習可能性の把握について述べる。 我々は,(1)SVCをピンダウンすることで線形分類器の統計的学習可能性,(2)経験的リスク最小化問題の複雑性をピンダウンすることで計算的トラクタビリティを十分に特徴付ける。
  論文  参考訳（メタデータ） (2020-12-06T16:29:27Z)

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。