論文の概要: Computing Strategic Responses to Non-Linear Classifiers

• arxiv url: http://arxiv.org/abs/2511.21560v1
• Date: Wed, 26 Nov 2025 16:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.193485
• Title: Computing Strategic Responses to Non-Linear Classifiers
• Title（参考訳）: 非線形分類器に対する戦略応答の計算
• Authors: Jack Geary, Boyan Gao, Henry Gouk,
• Abstract要約: 本稿では,エージェントの目的のラグランジアン双対を最適化することにより,最適応答を計算する新しい手法を提案する。 提案手法は, 線形設定における最良応答を再現し, 既存手法の弱点を同定する。
• 参考スコア（独自算出の注目度）: 9.398661081552335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of strategic classification, where the act of deploying a classifier leads to strategic behaviour that induces a distribution shift on subsequent observations. Current approaches to learning classifiers in strategic settings are focused primarily on the linear setting, but in many cases non-linear classifiers are more suitable. A central limitation to progress for non-linear classifiers arises from the inability to compute best responses in these settings. We present a novel method for computing the best response by optimising the Lagrangian dual of the Agents' objective. We demonstrate that our method reproduces best responses in linear settings, identifying key weaknesses in existing approaches. We present further results demonstrating our method can be straight-forwardly applied to non-linear classifier settings, where it is useful for both evaluation and training.
• Abstract（参考訳）: 本稿では,分類器を配置する行為が,その後の観測結果の分布変化を引き起こす戦略的行動を引き起こすという,戦略的分類の問題点を考察する。 戦略的設定における分類器の学習への現在のアプローチは、主に線形設定に焦点を当てているが、多くの場合、非線形分類器の方がより適している。 非線形分類器の進行に対する中心的な制限は、これらの設定で最良の応答を計算できないことから生じる。 本稿では,エージェントの目的のラグランジアン双対を最適化することにより,最適応答を計算する新しい手法を提案する。 提案手法は, 線形設定における最良応答を再現し, 既存手法の弱点を同定する。 さらに,本手法を非線形分類器設定に適用し,評価とトレーニングの両方に有用であることを示す。

関連論文リスト

• Strategic Classification with Non-Linear Classifiers [19.50869817974852]
  戦略的分類において、コストのかかる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ために、標準的な教師付き学習設定が拡張される。 戦略的行動が効果的なクラス複雑性を増大または減少させる可能性を示し、複雑性の減少は任意に大きくなる可能性があることを示す。
  論文  参考訳（メタデータ） (2025-05-29T13:40:03Z)
• Robust optimization for adversarial learning with finite sample complexity guarantees [1.8434042562191815]
  本稿では,線形・非線形な分類問題に着目し,ロバストな分類器に対する新しい逆学習法を提案する。 データ駆動型レンズの下ではロバスト性があり、線形および非線形の分類器の2進および複数クラスシナリオにおける有限標本複雑性境界を導出する。 線形および非線形モデルに対する線形計画法 (LP) と2次コーン計画法 (SOCP) を用いて, 最悪のサロゲート損失を最小限に抑えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-22T13:49:53Z)
• Pessimistic Nonlinear Least-Squares Value Iteration for Offline Reinforcement Learning [53.97335841137496]
  非線形関数近似を用いたオフラインRLにおけるPNLSVI(Pessimistic Least-Square Value Iteration)と呼ばれるオラクル効率のアルゴリズムを提案する。 本アルゴリズムは,関数クラスの複雑性に強く依存する後悔境界を享受し,線形関数近似に特化して最小限のインスタンス依存後悔を実現する。
  論文  参考訳（メタデータ） (2023-10-02T17:42:01Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Provably Correct Optimization and Exploration with Non-linear Policies [65.60853260886516]
  ENIACは、批評家の非線形関数近似を可能にするアクター批判手法である。 特定の仮定の下では、学習者は$o(poly(d))$の探索ラウンドで最適に近い方針を見つける。 我々は,この適応を経験的に評価し,線形手法に触発された前処理よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-03-22T03:16:33Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Sparse Methods for Automatic Relevance Determination [0.0]
  まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。 次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
  論文  参考訳（メタデータ） (2020-05-18T14:08:49Z)

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。