論文の概要: Prediction-Intervention Games and Invariant Sets

• arxiv url: http://arxiv.org/abs/2605.16828v1
• Date: Sat, 16 May 2026 06:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.113091
• Title: Prediction-Intervention Games and Invariant Sets
• Title（参考訳）: 予測・干渉ゲームと不変集合
• Authors: Linus Kühne, Felix Schur, Jonas Peters,
• Abstract要約: 観測データを用いて、リーダーは応答変数$Y$の予測関数を選択する。 追従者は、その目的を最大化するために、基礎となる構造因果モデルにおけるいくつかの共変体への介入に反応する。 追従対象の2つの共通クラスに対して、安定な毛布に基づく予測器、特定の不変部分集合は、常に因果親に基づくものよりも良いか良いかを証明する。
• 参考スコア（独自算出の注目度）: 5.082940690687655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the following two-player game: using observational data, the leader chooses a prediction function for a response variable $Y$ from given covariates. The follower then reacts with an intervention on some covariates in the underlying structural causal model to maximize their own objective. The leader knows the intervention targets, but may have limited knowledge of the follower's objective. We call this setup a prediction-intervention game, a special case of a Stackelberg game. Finding an optimal strategy for the leader is generally difficult. To avoid severe performance loss, the leader may base their prediction on the causal parents of $Y$, or more generally on an invariant subset of covariates. We prove, for two common classes of follower objectives, that predictors based on the stable blanket, a specific invariant subset, are always better or as good as those based on the causal parents. We further upper bound the leader's post-intervention risk by a worst-case risk over allowed interventions and strengthen existing distribution generalization results to analyze this bound: we give sufficient conditions under which stable-blanket predictors are worst-case optimal, and show by examples that these conditions cannot in general be dropped. Finally, we discuss practical strategies for settings with known and unknown graph, and test them on simulated and real-world data.
• Abstract（参考訳）: 観測データを用いて、与えられた共変量から応答変数$Y$の予測関数を選択する。 追従者は、その目的を最大化するために、基礎となる構造因果モデルにおけるいくつかの共変体への介入に反応する。 リーダーは介入対象を知っているが、フォロワーの目的についての知識は限られている可能性がある。 私たちはこのセットアップを、Stackelbergゲームの特別なケースである予測介入ゲームと呼んでいる。 リーダーにとって最適な戦略を見つけることは、一般的に難しい。 重大なパフォーマンス損失を避けるため、リーダーはY$の因果親、またはより一般的には共変量の不変部分集合に基づいて予測を行う。 追従対象の2つの共通クラスに対して、安定な毛布に基づく予測器、特定の不変部分集合は、常に因果親に基づくものよりも良いか良いかを証明する。 我々は、許容される介入よりも最悪のケースリスクによるリーダのポスト・インターベンションリスクをさらに上限にし、既存の分布一般化結果を強化して、このバウンダリを解析する: 安定ブランケット予測器が最悪のケース最適である十分な条件を与え、これらの条件が一般的には降格できないことを示す。 最後に、未知のグラフを用いて設定の実践的戦略を議論し、シミュレーションおよび実世界のデータでそれらを検証する。

関連論文リスト

• Generalisation and benign over-fitting for linear regression onto random functional covariates [4.344644788142548]
  リッジレス最小二乗回帰法とリッジレス最小二乗回帰法の理論的予測性能について検討した。 我々は、$p$が$n$に対して急速に成長する体制における収束率を導出する。
  論文  参考訳（メタデータ） (2025-08-19T15:01:20Z)
• Robust Planning for Autonomous Driving via Mixed Adversarial Diffusion Predictions [51.88828388720111]
  本稿では、通常と逆のエージェント予測を混合した自律運転のロバストな計画手法について述べる。 本研究では,実験時の拡散モデルに偏りを生じさせ,候補計画と衝突する可能性のある予測を生成することにより,逆予測の分布を生成する。 本手法が単エージェントおよび多エージェントジェイウォーキングシナリオおよび赤信号違反シナリオに与える影響について述べる。
  論文  参考訳（メタデータ） (2025-05-18T09:44:57Z)
• Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
  敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。 我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。 検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
  論文  参考訳（メタデータ） (2024-11-21T17:46:55Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Bagging in overparameterized learning: Risk characterization and risk monotonization [2.6534407766508177]
  本研究では, 比例法の下で, 適応型予測器の変種予測リスクについて検討した。 具体的には,タグ付き予測器の2乗誤差損失下での予測リスクを解析するための一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-10-20T17:45:58Z)
• Prediction Sets Adaptive to Unknown Covariate Shift [18.105704797438417]
  有限サンプル被覆保証付き予測集合は非形式的であることを示す。 そこで我々は,予測セットを効率的に構築する,新しいフレキシブルな分散フリー手法PredSet-1Stepを提案する。
  論文  参考訳（メタデータ） (2022-03-11T17:53:14Z)
• Multi-label Chaining with Imprecise Probabilities [0.0]
  本稿では,古典的マルチラベル連鎖法を拡張し,不正確な確率推定を行うための2つの戦略を提案する。 このような推定に利用できる主な理由は、(1)連鎖において高い不確実性が検出された場合に慎重な予測を行うこと、(2)連鎖の初期決定におけるバイアスを回避し、より正確な予測を行うことである。 両手法の信頼性を検証したラベルの欠落に関する実験結果から,精度の高いモデルが故障した場合の予測が困難である事例に対して,本手法が関連する注意を喚起することを示す。
  論文  参考訳（メタデータ） (2021-07-15T16:43:31Z)
• Offline Contextual Bandits with Overparameterized Models [52.788628474552276]
  オフラインの文脈的盗賊にも同じ現象が起こるかどうかを問う。 この相違は, 目的の強調安定性によるものであることを示す。 大規模なニューラルネットワークを用いた実験では、アクション安定な値ベース目標と不安定なポリシベース目標とのギャップは、大きなパフォーマンス差をもたらす。
  論文  参考訳（メタデータ） (2020-06-27T13:52:07Z)

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。