論文の概要: Strategic Feature Selection

• arxiv url: http://arxiv.org/abs/2606.18867v1
• Date: Wed, 17 Jun 2026 09:47:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.095752
• Title: Strategic Feature Selection
• Title（参考訳）: 戦略的特徴選択
• Authors: Jivat Neet Kaur, Pratik Patil, Divya Shanmugam, Emma Pierson, Michael I. Jordan, Nika Haghtalab, Meena Jagadeesan, Ahmed Alaa, Serena Wang,
• Abstract要約: 特徴選択による戦略的分類と隆起正則化との相互作用について検討する。 最適な正規化の下で特徴部分集合の性能を詳細に評価する。 この特徴から,我々は特徴セットとリッジ正規化のレベルを共同で選択する実用的なアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 62.74494413516484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When algorithmic predictors inform resource allocation in high-stakes domains such as healthcare, these predictors must account for strategic manipulation of input features. The typical solution is to redesign the predictor itself to explicitly account for strategic interactions. In practice, however, decision makers are often constrained to adjusting coarser levers within existing prediction pipelines. For example, healthcare organizations often select which features to exclude based on perceived manipulability, while using standard regularization procedures to shrink the coefficients of retained features. In this work, we initiate a formal study of strategic classification through feature selection and its interaction with ridge regularization. Our main finding is that excluding individual features based on their manipulability alone is generally suboptimal. We provide a fine-grained characterization of the performance of a feature subset under optimal regularization, yielding new insights for policy design. Motivated by this characterization, we develop a practical algorithm for jointly choosing the feature set and the level of ridge regularization. Through a real-world case study on a healthcare payments benchmark, we illustrate how our algorithm can guide the design of coarse policy levers in practice. Our results provide a principled, practical framework for mitigating the effects of strategic behavior in algorithmic decision-making systems.
• Abstract（参考訳）: アルゴリズムによる予測器が医療などのハイテイク領域の資源配分を通知する場合、これらの予測器は入力機能の戦略的操作を考慮しなければならない。 典型的な解決策は、予測器自体を再設計し、戦略的相互作用を明示的に説明することである。 しかし、実際には、意思決定者は既存の予測パイプライン内の粗いレバーの調整に制約されることが多い。 例えば、医療組織は、認識されたマニピュラビリティに基づいて、どの特徴を除外するかを選択し、標準正規化手順を使用して、保持された特徴の係数を縮小する。 本研究では,特徴選択とリッジ正規化との相互作用による戦略的分類の形式的研究を開始する。 私たちの主な発見は、マニピュラビリティのみに基づく個々の特徴を除外することは、一般的には最適ではないということです。 最適正則化の下での機能部分集合の性能を詳細に評価し、ポリシー設計に新たな洞察を与える。 この特徴から,我々は特徴セットとリッジ正規化のレベルを共同で選択する実用的なアルゴリズムを開発した。 医療保険支払いベンチマークの現実世界のケーススタディを通じて、我々のアルゴリズムが、実際に粗いポリシーレバーの設計をガイドする方法を説明します。 本結果は,アルゴリズムによる意思決定システムにおける戦略的行動の影響を緩和する,原則的,実用的な枠組みを提供する。

関連論文リスト

• Linear Strategic Classification with Endogenous Improvements [6.798190446932253]
  本研究では,戦略応答が結果関連特徴の真の変化を誘発する改良型について検討する。 エージェントは、配置後特徴ベクトルを戦略的に選択し、その後、安定した条件付き結果法に従ってラベルを生成する。
  論文  参考訳（メタデータ） (2026-05-31T12:22:30Z)
• Strategy Executability in Mathematical Reasoning: Leveraging Human-Model Differences for Effective Guidance [86.46794021499511]
  戦略利用と戦略実行可能性の間には、これまで未定のギャップがある。 SSR(Selective Strategy Retrieval)は,実行可能性を明確にモデル化するテストタイムフレームワークである。 SSRは、直接解決、文脈内学習、単一ソースガイダンスよりも信頼性が高く一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2026-02-26T03:34:23Z)
• A Multi-Component Reward Function with Policy Gradient for Automated Feature Selection with Dynamic Regularization and Bias Mitigation [0.0]
  隠れた依存関係がモデル予測に影響を与えると、静的な機能排除戦略はバイアスを防ぐことができない。 バイアス緩和と自動特徴選択を1つの学習プロセスに統合する強化学習フレームワークを開発した。 予測者が相関し、バイアスが必然的に再帰できる環境において、フレキシブルで一般化可能な機能選択方法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T22:45:38Z)
• Non-linear Welfare-Aware Strategic Learning [10.448052192725168]
  本稿では,戦略的個人行動の存在下でのアルゴリズム的意思決定について考察する。 まず,先行研究におけるエージェントベスト応答モデルを非線形設定に一般化する。 制限条件下でのみ3つの福祉が同時に最適な状態が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-03T01:50:03Z)
• 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)
• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Off-Policy Evaluation with Policy-Dependent Optimization Response [90.28758112893054]
  我々は,テキスト政治に依存した線形最適化応答を用いた非政治評価のための新しいフレームワークを開発した。 摂動法による政策依存推定のための非バイアス推定器を構築する。 因果介入を最適化するための一般的なアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-02-25T20:25:37Z)

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。