論文の概要: Learning An Interpretable Risk Scoring System for Maximizing Decision Net Benefit

• arxiv url: http://arxiv.org/abs/2604.04241v1
• Date: Sun, 05 Apr 2026 19:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.002547
• Title: Learning An Interpretable Risk Scoring System for Maximizing Decision Net Benefit
• Title（参考訳）: 意思決定ネットベネフィットの最大化のための解釈可能なリスクスコアシステム
• Authors: Wenhao Chi, Ş. İlker Birbil,
• Abstract要約: 本稿では,決定しきい値の範囲でネットの利益を直接最適化する新たなリスクスコアリングシステムを提案する。 我々はまた、純利益、差別、校正の基本的な関係を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Risk scoring systems are widely used in high-stakes domains to assist decision-making. However, existing approaches often focus on optimizing predictive accuracy or likelihood-based criteria, which may not align with the main goal of maximizing utility. In this paper, we propose a novel risk scoring system that directly optimizes net benefit over a range of decision thresholds. The model is formulated as a sparse integer linear programming problem which enables the construction of a transparent scoring system with integer coefficients, and hence, facilitates interpretation and practical application. We also establish fundamental relationships among net benefit, discrimination, and calibration. Our analysis proves that optimizing net benefit also guarantees conventional performance measures. We thoroughly evaluated our method on multiple public datasets as well as on a real-world clinical dataset. This computational study demonstrated that our interpretable method can effectively achieve high net benefit while maintaining competitive discrimination and calibration performance.
• Abstract（参考訳）: リスクスコアリングシステムは、意思決定を支援するためにハイテイクドメインで広く利用されている。 しかし、既存のアプローチは、しばしば予測精度や可能性に基づく基準の最適化に重点を置いている。 本稿では,決定しきい値の範囲でネットの利益を直接最適化する新たなリスクスコアリングシステムを提案する。 このモデルはスパース整数線形計画問題として定式化され、整数係数を持つ透明なスコアリングシステムの構築を可能にし、解釈と実用的な応用を容易にする。 我々はまた、純利益、差別、校正の基本的な関係を確立する。 本分析は,純利益の最適化が従来のパフォーマンス対策を確実にすることを示した。 複数の公開データセットと実世界の臨床データセットを用いて,本手法を徹底的に評価した。 本研究は,競争差別と校正性能を維持しつつ,高いネット利益を効果的に達成できることを実証した。

関連論文リスト

• Simple and Effective Specialized Representations for Fair Classifiers [8.489574504527196]
  本稿では,特徴関数距離に基づく公平な分類手法を提案する。 特徴関数を利用することで,従来の手法に比べて安定で効率的な解が得られる。 本手法はロバスト性および計算効率を保ち,実世界の応用のための実用的な解法である。
  論文  参考訳（メタデータ） (2025-05-16T22:59:46Z)
• Re-evaluating Group Robustness via Adaptive Class-Specific Scaling [47.41034887474166]
  群分散ロバスト最適化は、スプリアス相関とアドレスデータセットバイアスを軽減するために使われる顕著なアルゴリズムである。 既存のアプローチでは、堅牢なアキュラシーの改善が報告されているが、固有のトレードオフのため、平均的な精度が犠牲になっている。 本稿では,既存のデバイアスアルゴリズムに直接適用可能なクラス固有のスケーリング戦略を提案する。 我々は、このトレードオフを軽減するために、インスタンスワイド適応スケーリング技術を開発し、堅牢性と平均的アキュラシーの両方の改善に繋がる。
  論文  参考訳（メタデータ） (2024-12-19T16:01:51Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Towards a Fairness-Aware Scoring System for Algorithmic Decision-Making [35.21763166288736]
  本稿では,データ駆動型フェアネス対応スコアリングシステムを構築するための一般的なフレームワークを提案する。 提案するフレームワークは,実践者や政策立案者に対して,希望する公正性要件を選択するための柔軟性を提供する。
  論文  参考訳（メタデータ） (2021-09-21T09:46:35Z)

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。