論文の概要: Optimal Robust Recourse with $L^p$-Bounded Model Change

• arxiv url: http://arxiv.org/abs/2509.21293v1
• Date: Thu, 25 Sep 2025 15:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:13.020938
• Title: Optimal Robust Recourse with $L^p$-Bounded Model Change
• Title（参考訳）: L^p$境界モデルによる最適ロバスト表現
• Authors: Phone Kyaw, Kshitij Kayastha, Shahin Jabbari,
• Abstract要約: データ分散や環境の変化を反映するために、しばしばモデルが更新される。 一般化線形モデルに対する最適ロバストなリコースを確実に計算する新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.1151457846264181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recourse provides individuals who received undesirable labels (e.g., denied a loan) from algorithmic decision-making systems with a minimum-cost improvement suggestion to achieve the desired outcome. However, in practice, models often get updated to reflect changes in the data distribution or environment, invalidating the recourse recommendations (i.e., following the recourse will not lead to the desirable outcome). The robust recourse literature addresses this issue by providing a framework for computing recourses whose validity is resilient to slight changes in the model. However, since the optimization problem of computing robust recourse is non-convex (even for linear models), most of the current approaches do not have any theoretical guarantee on the optimality of the recourse. Recent work by Kayastha et. al. provides the first provably optimal algorithm for robust recourse with respect to generalized linear models when the model changes are measured using the $L^{\infty}$ norm. However, using the $L^{\infty}$ norm can lead to recourse solutions with a high price. To address this shortcoming, we consider more constrained model changes defined by the $L^p$ norm, where $p\geq 1$ but $p\neq \infty$, and provide a new algorithm that provably computes the optimal robust recourse for generalized linear models. Empirically, for both linear and non-linear models, we demonstrate that our algorithm achieves a significantly lower price of recourse (up to several orders of magnitude) compared to prior work and also exhibits a better trade-off between the implementation cost of recourse and its validity. Our empirical analysis also illustrates that our approach provides more sparse recourses compared to prior work and remains resilient to post-processing approaches that guarantee feasibility.
• Abstract（参考訳）: Recourseは、望ましくないラベル(例えばローンを拒否するなど)をアルゴリズムによる意思決定システムから受け取った個人に、望ましい結果を達成するための最小限のコスト改善提案を提供する。 しかし、実際には、モデルが更新されて、データ配布や環境の変化を反映し、リコース勧告を無効にすることが多い(つまり、リコースに従うと望ましい結果が得られない)。 堅牢なリコース文献は、モデルのわずかな変更に対する妥当性に耐性があるリコースを計算するためのフレームワークを提供することによってこの問題に対処する。 しかし、ロバストなリコースの最適化問題は(線形モデルであっても)非凸であるため、現在のアプローチのほとんどは、リコースの最適性に関する理論的保証を持っていない。 Kayasthaらによる最近の研究は、モデルの変化が$L^{\infty}$ノルムを用いて測定されるとき、一般化された線形モデルに関して、ロバストなリコースのための最初の証明可能な最適アルゴリズムを提供する。 しかし、$L^{\infty}$ノルムを使用すると、高い価格でリコース解が得られる。 この欠点に対処するために、$L^p$ノルムで定義されるより制約のあるモデル変更を$p\geq 1$ but $p\neq \infty$で検討し、一般化された線形モデルに対する最適ロバストなリコースを証明的に計算する新しいアルゴリズムを提供する。 経験的に、線形モデルと非線形モデルの両方において、我々のアルゴリズムは以前の作業よりもはるかに低いリコース価格(最大数桁まで)を達成でき、また、リコースの実装コストと有効性とのトレードオフも良好であることを示す。 私たちの経験的分析は、我々のアプローチが以前の作業よりも疎い会話を提供し、実現可能性を保証するポストプロセッシングアプローチにレジリエンスを保っていることも示しています。

関連論文リスト

• Correcting the Mythos of KL-Regularization: Direct Alignment without Overoptimization via Chi-Squared Preference Optimization [78.82586283794886]
  $chi2$-Preference Optimization(chi$PO)は、オーバー最適化に対して確実に堅牢なオフラインアライメントアルゴリズムである。 $chi$POは、正規化による不確実性に直面して悲観主義の原理を実装している。 $chi$POの単純さと強力な保証により、オーバー最適化に対して確実に堅牢な、実用的で汎用的なオフラインアライメントアルゴリズムとなった。
  論文  参考訳（メタデータ） (2024-07-18T11:08:40Z)
• Transfer Q Star: Principled Decoding for LLM Alignment [105.89114186982972]
  Transfer $Q*$は、ベースラインモデルを通してターゲット報酬$r$の最適値関数を推定する。 提案手法は, 従来のSoTA法で観測された準最適差を著しく低減する。
  論文  参考訳（メタデータ） (2024-05-30T21:36:12Z)
• Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
  モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。 本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
  論文  参考訳（メタデータ） (2023-08-17T08:34:58Z)
• Minimum discrepancy principle strategy for choosing $k$ in $k$-NN regression [2.0411082897313984]
  保持データを用いずに、$k$-NN回帰推定器でハイパーパラメータ$k$を選択するための新しいデータ駆動戦略を提案する。 本稿では,早期停止と最小一致原理に基づく実践的戦略を実践的に容易に導入することを提案する。
  論文  参考訳（メタデータ） (2020-08-20T00:13:19Z)

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。