論文の概要: When Predictions Shape Reality: A Socio-Technical Synthesis of Performative Predictions in Machine Learning

• arxiv url: http://arxiv.org/abs/2601.04447v1
• Date: Wed, 07 Jan 2026 23:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.954347
• Title: When Predictions Shape Reality: A Socio-Technical Synthesis of Performative Predictions in Machine Learning
• Title（参考訳）: 形状予測:機械学習における変形予測の社会技術的合成
• Authors: Gal Fybish, Teo Susnjak,
• Abstract要約: 本稿では,パフォーマンス予測に関する文献を概観する。 本報告では,パフォーマンスアパティビティを示す主要なメカニズムの概要と,関連するリスクのタイプロジを提示し,提案したソリューションについて調査する。 私たちの主な貢献は、Performative Strength vs. Impact Matrix"アセスメントフレームワークです。
• 参考スコア（独自算出の注目度）: 1.3750624267664158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models are increasingly used in high-stakes domains where their predictions can actively shape the environments in which they operate, a phenomenon known as performative prediction. This dynamic, in which the deployment of the model influences the very outcome it seeks to predict, can lead to unintended consequences, including feedback loops, performance issues, and significant societal risks. While the literature in the field has grown rapidly in recent years, a socio-technical synthesis that systemises the phenomenon concepts and provides practical guidance has been lacking. This Systematisation of Knowledge (SoK) addresses this gap by providing a comprehensive review of the literature on performative predictions. We provide an overview of the primary mechanisms through which performativity manifests, present a typology of associated risks, and survey the proposed solutions offered in the literature. Our primary contribution is the ``Performative Strength vs. Impact Matrix" assessment framework. This practical tool is designed to help practitioners assess the potential influence and severity of performativity on their deployed predictive models and select the appropriate level of algorithmic or human intervention.
• Abstract（参考訳）: 機械学習モデルは、彼らの予測が運用する環境を積極的に形作ることができるハイテイク領域において、パフォーマンス予測として知られる現象において、ますます使われている。 モデルが予測する結果に影響を及ぼすこのダイナミクスは、フィードバックループやパフォーマンスの問題、重大な社会的リスクなど、意図しない結果をもたらす可能性がある。 近年、この分野の文献は急速に成長しているが、現象の概念を体系化し、実践的なガイダンスを提供する社会技術合成は欠如している。 This Systematisation of Knowledge (SoK)は、パフォーマンス予測に関する文献の包括的なレビューを提供することによって、このギャップに対処する。 本報告では,パフォーマンスアダクティビティを示す主要なメカニズムについて概説し,関連するリスクのタイプロジを提示し,本論文で提案するソリューションについて調査する。 私たちの主な貢献は、‘Performative Strength vs. Impact Matrix’アセスメントフレームワークです。 この実用的なツールは、実践者がデプロイされた予測モデルに対するパフォーマンスの潜在的影響と重大さを評価し、適切なレベルのアルゴリズムまたは人間の介入を選択するのに役立つように設計されている。

関連論文リスト

• Before the Outrage: Challenges and Advances in Predicting Online Antisocial Behavior [1.223779595809275]
  ソーシャルメディア上での反社会的行動は、プラットフォーム安全と社会福祉の課題を増大させている。 従来の研究は主に有害な内容の検出に重点を置いてきたが、予測的アプローチは将来の有害な行動を予測することを目的としている。 関心が高まりつつも、この分野は断片化され続けており、統一された分類学や既存の方法の明確な合成が欠如している。
  論文  参考訳（メタデータ） (2025-07-28T08:27:58Z)
• Locally Explaining Prediction Behavior via Gradual Interventions and Measuring Property Gradients [8.39361023005333]
  ディープラーニングモデルは高い予測性能を達成するが、固有の解釈性は欠如している。 既存の局所的説明可能性法は、モデル予測の因果的要因を無視し、関連性に焦点を当てている。 本稿では、画像間編集モデルの最近の進歩を活用して、局所的介入説明のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-07T13:50:37Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Predictable Artificial Intelligence [77.1127726638209]
  本稿では予測可能なAIのアイデアと課題を紹介する。 それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。 予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-10-09T21:36:21Z)
• Uplift vs. predictive modeling: a theoretical analysis [1.2412255325209152]
  本稿では,理論的基礎から始まり,昇降・予測的手法の性能に影響を及ぼすパラメータを明らかにすることから,その主題を包括的に扱うことを提案する。 本論文は,二項帰結事例と二項作用に着目し,古典的予測手法と比較し,昇降モデリングの理論的解析を行った。
  論文  参考訳（メタデータ） (2023-09-21T12:59:17Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Improving Prediction Performance and Model Interpretability through Attention Mechanisms from Basic and Applied Research Perspectives [3.553493344868414]
  この論文は著者の論文の要約に基づいている。 ディープラーニングモデルは、従来の機械学習モデルよりも予測性能がはるかに高い。 特定の予測プロセスの解釈や説明は依然として困難である。
  論文  参考訳（メタデータ） (2023-03-24T16:24:08Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。