論文の概要: Performative Learning Theory

• arxiv url: http://arxiv.org/abs/2602.04402v1
• Date: Wed, 04 Feb 2026 10:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.47831
• Title: Performative Learning Theory
• Title（参考訳）: パフォーマティブラーニング理論
• Authors: Julian Rodemann, Unai Fischer-Abaigar, James Bailie, Krikamol Muandet,
• Abstract要約: サンプル(例えば、アプリの既存ユーザのみ)と人口全体に影響を与えるパフォーマンス予測について検討する。 一般化境界は, 標本, 個体群, およびその両方に作用する。 我々の分析は、世界の変化とそれから学ぶことの間の根本的なトレードオフを明らかにします。
• 参考スコア（独自算出の注目度）: 8.953630726489463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performative predictions influence the very outcomes they aim to forecast. We study performative predictions that affect a sample (e.g., only existing users of an app) and/or the whole population (e.g., all potential app users). This raises the question of how well models generalize under performativity. For example, how well can we draw insights about new app users based on existing users when both of them react to the app's predictions? We address this question by embedding performative predictions into statistical learning theory. We prove generalization bounds under performative effects on the sample, on the population, and on both. A key intuition behind our proofs is that in the worst case, the population negates predictions, while the sample deceptively fulfills them. We cast such self-negating and self-fulfilling predictions as min-max and min-min risk functionals in Wasserstein space, respectively. Our analysis reveals a fundamental trade-off between performatively changing the world and learning from it: the more a model affects data, the less it can learn from it. Moreover, our analysis results in a surprising insight on how to improve generalization guarantees by retraining on performatively distorted samples. We illustrate our bounds in a case study on prediction-informed assignments of unemployed German residents to job trainings, drawing upon administrative labor market records from 1975 to 2017 in Germany.
• Abstract（参考訳）: パフォーマンス予測は、彼らが予測しようとしている結果に影響を与えます。 サンプル(例えば、アプリの既存ユーザのみ)および/または全人口(例えば、潜在的なアプリユーザすべて)に影響を与えるパフォーマンス予測について検討する。 これにより、モデルがパフォーマンス性の下でどのように一般化するかという疑問が持ち上がる。 例えば、アプリの予測に反応した場合、既存のユーザに基づいて、新しいアプリユーザに関する洞察をどの程度引き出すことができますか? 本稿では,統計的学習理論に性能予測を組み込むことにより,この問題に対処する。 一般化境界は, 標本, 個体群, およびその両方に作用する。 私たちの証明の背後にある重要な直感は、最悪の場合、人口が予測を無効にし、サンプルがそれを欺くように満たしていることです。 我々はワッサーシュタイン空間において, min-max や min-min のリスク汎関数のような自己負および自己充足予測をそれぞれ導入した。 私たちの分析では、パフォーマンス的に世界を変えることと、そこから学ぶこととの間に、根本的なトレードオフが明らかになっています。 さらに,本分析の結果から,性能劣化したサンプルの再学習による一般化保証の改善に関する驚くべき知見が得られた。 我々は、1975年から2017年までのドイツにおける行政労働市場の記録を参考に、失業したドイツ人住民の職業訓練に関する予測インフォームド課題に関するケーススタディにおいて、我々の限界について説明する。

関連論文リスト

• Scaling Open-Ended Reasoning to Predict the Future [56.672065928345525]
  我々は、オープンエンドの予測質問の予測を行うために言語モデルを訓練する。 トレーニングデータをスケールアップするために、毎日のニュースで報告されるグローバルイベントから新しい予測質問を合成する。 トレーニングの予測によるキャリブレーションの改善は、一般的なベンチマークで一般化されている。
  論文  参考訳（メタデータ） (2025-12-31T18:59:51Z)
• Trustworthy Prediction with Gaussian Process Knowledge Scores [7.090362431002478]
  確率モデルは、観測できないデータ空間の領域で予測するためにしばしば使用される。 本研究では,観測データによって予測の不確実性が低下した程度を定量化する予測のための知識スコアを提案する。 我々は,GPRモデルからの予測が正確である場合に,知識スコアが予測できることを示す。
  論文  参考訳（メタデータ） (2025-06-23T13:36:06Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Eliciting Uncertainty in Chain-of-Thought to Mitigate Bias against Forecasting Harmful User Behaviors [29.892041865029803]
  会話予測タスクは、展開された会話の結果を予測するモデルである。 ソーシャルメディアのモデレーションに応用すれば、有害なユーザーの行動を予測することができる。 本稿では,潜在的なバイアスを軽減するツールとして,モデルの不確実性がどの程度有効かを検討する。
  論文  参考訳（メタデータ） (2024-10-17T15:07:53Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Competing AI: How does competition feedback affect machine learning? [14.350250426090893]
  コンペティションによって予測者が特定のサブ人口に特化し、一般人口よりもパフォーマンスが悪くなることを示す。 市場に競合する予測者が多すぎるか多すぎることが、全体的な予測品質を損なう可能性があることを示す。
  論文  参考訳（メタデータ） (2020-09-15T00:13:32Z)
• How to "Improve" Prediction Using Behavior Modification [0.0]
  データサイエンス研究者は予測を改善するアルゴリズム、モデル、アプローチを設計する。 より大きく、よりリッチなデータによって予測精度が向上する。 プラットフォームは、予測値に向かってユーザの振る舞いをプッシュすることで、より正確な予測精度を秘かに達成することができる。 我々の導出は、データ科学者、プラットフォーム、顧客、そして行動が操作される人間に対して、そのような行動修正がもたらす影響を解明する。
  論文  参考訳（メタデータ） (2020-08-26T12:39:35Z)
• Performative Prediction [31.876692592395777]
  本研究では,統計学,ゲーム理論,因果関係から概念を取り入れたパフォーマンス予測フレームワークを開発する。 概念的新奇性(conceptual novelty)は、私たちがパフォーマンス安定性と呼ぶ平衡概念である。 我々の主な成果は、ほぼ最小損失の演奏安定点への再訓練の収束に必要な十分条件である。
  論文  参考訳（メタデータ） (2020-02-16T20:29:42Z)

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。