論文の概要: Ambiguous Strategic Classification

• arxiv url: http://arxiv.org/abs/2606.10137v1
• Date: Mon, 08 Jun 2026 20:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.178053
• Title: Ambiguous Strategic Classification
• Title（参考訳）: 曖昧な戦略分類
• Authors: Ivri Hikri, Nir Rosenfeld,
• Abstract要約: 我々は,規制が情報の一部を開示することをシステムに要求する状況について検討する。 これは、学習者が分類器とそれを取り巻く不確実性を共同で最適化しなければならない学習タスクを誘導する。 本研究では,あいまいさが学習課題にどう影響するかを考察し,最良責任と訓練を計算するための効率的なアルゴリズムを開発し,この新たな環境とアプローチを用いて戦略的学習とその成果を実証的に探求する。
• 参考スコア（独自算出の注目度）: 19.50869817974852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common assumption in strategic classification is that the classifier is public knowledge. However, it remains unclear whether, and why, a system would choose to commit to full disclosure. We study a setting in which regulation requires the system to disclose some, but not all, of the information. This induces a learning task in which the learner must jointly optimize the classifier and the uncertainty surrounding it. To this end, we adopt from robust mechanism design the notion of ambiguity, which in our setting allows the learner to reveal a set or range of possible classifiers, while privately choosing which of them to ultimately realize. We investigate how ambiguity affects the learning task, develop efficient algorithms for computing best-responses and training, and empirically explore strategic learning and its outcomes in this novel setting and using our approach.
• Abstract（参考訳）: 戦略分類における一般的な仮定は、分類器が公的な知識であるということである。 しかし、システムが完全な開示にコミットするかどうか、なぜかは定かではない。 我々は,規制が情報の一部を開示することをシステムに要求する状況について検討する。 これは、学習者が分類器とそれを取り巻く不確実性を共同で最適化しなければならない学習タスクを誘導する。 この目的のために、我々は、アンビグニティの概念を頑健なメカニズム設計から採用し、学習者が最終的に実現可能な分類器の集合や範囲を明らかにすると同時に、いずれが最終的に実現できるかをプライベートに選択する。 本研究では,あいまいさが学習課題にどう影響するかを考察し,最良責任と訓練を計算するための効率的なアルゴリズムを開発し,この新たな環境とアプローチを用いて戦略的学習とその成果を実証的に探求する。

関連論文リスト

• Interpretable Clustering: A Survey [3.051350251198343]
  クラスタリングアルゴリズムは、医療、金融、自律システムといった高度な領域にますます適用されています。 透過的で解釈可能なクラスタリング結果の必要性は、重要な関心事になっている。 本稿では,説明可能なクラスタリングアルゴリズムの現状を包括的かつ構造化したレビューを行う。
  論文  参考訳（メタデータ） (2024-09-01T15:09:51Z)
• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• Learnability Gaps of Strategic Classification [68.726857356532]
  我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。 ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。 この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
  論文  参考訳（メタデータ） (2024-02-29T16:09:19Z)
• Classification Under Strategic Self-Selection [13.168262355330299]
  自己選択が学習に与える影響と,学習が自己選択集団の構成に及ぼす影響について検討した。 本稿では,自己選択行動下での学習を効果的に最適化できる,識別可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T11:37:56Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)
• Fair Hierarchical Clustering [92.03780518164108]
  従来のクラスタリングにおける過剰表現を緩和する公平性の概念を定義する。 我々のアルゴリズムは、目的に対して無視できない損失しか持たない、公平な階層的なクラスタリングを見つけることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T01:05:11Z)

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。