論文の概要: Non-Linear Strategic Classification Made Practical

• arxiv url: http://arxiv.org/abs/2606.28204v1
• Date: Fri, 26 Jun 2026 15:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.53391
• Title: Non-Linear Strategic Classification Made Practical
• Title（参考訳）: 非線形戦略分類を実践する
• Abstract要約: ラグランジアン双対性を利用して最適応答を近似する新しい手法を提案する。 戦略応答を制約付き最適化問題として再構成することにより、第一次最適化法に順応可能なラグランジアンを構築することができる。 このアプローチは、線形設定における閉形式の戦略的振る舞いを再現し、非線形設定に直進的に適用することができる。
• 参考スコア（独自算出の注目度）: 9.398661081552335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic developments in Strategic Classification have been mostly limited to linear classifiers in settings where the best response has a closed-form solution or can be easily approximated. While some work has explored the role of non-linear classifiers in strategic settings, progress in this direction is impeded by the computational intractability of the strategic behaviour. Addressing this, we present a novel method for approximating the best response by exploiting Lagrangian duality. By reformulating the strategic response as a constrained optimisation problem, we can construct a Lagrangian that is amenable to first order optimisation methods. This approach reproduces closed-form strategic behaviour in linear settings and can be straight-forwardly applied to non-linear settings. We show how the Implicit Function Theorem can be used in conjunction with our proposed response formulation during classifier learning to compute the total gradient of the loss. This connects the classifier parameters directly to the consequent strategic behaviour, yielding a novel training algorithm that can exploit this relationship. Experimental evaluation shows that the resulting models achieve improved strategic accuracy on common machine learning datasets.
• Abstract（参考訳）: 戦略分類におけるアルゴリズムの開発は、最良応答が閉形式解を持つか、容易に近似できるような設定において、線形分類器に限られている。 戦略設定における非線形分類器の役割を探求する研究もあるが、この方向の進歩は戦略行動の計算的難易度によって妨げられている。 これに対応するために,ラグランジアン双対性を利用して最適応答を近似する新しい手法を提案する。 戦略応答を制約付き最適化問題として再構成することにより、第一次最適化法に順応可能なラグランジアンを構築することができる。 このアプローチは、線形設定における閉形式の戦略的振る舞いを再現し、非線形設定に直進的に適用することができる。 本稿では,Implicit関数定理を分類器学習中に提案した応答定式化と併用して,損失の全勾配を計算する方法を示す。 これは、分類器のパラメータを関連する戦略行動に直接接続し、この関係を活用可能な新しいトレーニングアルゴリズムを生成する。 実験により, 得られたモデルにより, 一般的な機械学習データセットの戦略的精度が向上したことが示された。

関連論文リスト

• Strategic Feature Selection [62.74494413516484]
  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。
  論文  参考訳（メタデータ） (2026-06-17T09:47:15Z)
• Computing Strategic Responses to Non-Linear Classifiers [9.398661081552335]
  本稿では,エージェントの目的のラグランジアン双対を最適化することにより,最適応答を計算する新しい手法を提案する。 提案手法は, 線形設定における最良応答を再現し, 既存手法の弱点を同定する。
  論文  参考訳（メタデータ） (2025-11-26T16:30:38Z)
• Practical Performative Policy Learning with Strategic Agents [8.361090623217246]
  本研究では,政策学習の課題について検討し,エージェントが提案した方針に応えて特徴を調整し,その潜在的な結果を改善する。 本稿では,高次元分布マップの代用として,微分可能な分類器を用いた勾配型ポリシー最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-02T10:09:44Z)
• Model-Agnostic Zeroth-Order Policy Optimization for Meta-Learning of Ergodic Linear Quadratic Regulators [13.343937277604892]
  エルゴード線形二次規制器における不確実性と不均一性を扱うためにメタラーニングを用いることの問題点について検討する。 本稿では,不均一だが類似の線形力学系を学習するタスクに適用可能なポリシヘシアンの推定を省略するアルゴリズムを提案する。 メタオブジェクトの勾配の有界性と滑らかさを解析することにより、正確な勾配降下過程の収束結果を提供する。
  論文  参考訳（メタデータ） (2024-05-27T17:26:36Z)
• Pessimistic Nonlinear Least-Squares Value Iteration for Offline Reinforcement Learning [53.97335841137496]
  非線形関数近似を用いたオフラインRLにおけるPNLSVI(Pessimistic Least-Square Value Iteration)と呼ばれるオラクル効率のアルゴリズムを提案する。 本アルゴリズムは,関数クラスの複雑性に強く依存する後悔境界を享受し,線形関数近似に特化して最小限のインスタンス依存後悔を実現する。
  論文  参考訳（メタデータ） (2023-10-02T17:42:01Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Provably Correct Optimization and Exploration with Non-linear Policies [65.60853260886516]
  ENIACは、批評家の非線形関数近似を可能にするアクター批判手法である。 特定の仮定の下では、学習者は$o(poly(d))$の探索ラウンドで最適に近い方針を見つける。 我々は,この適応を経験的に評価し,線形手法に触発された前処理よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-03-22T03:16:33Z)
• Deep learning: a statistical viewpoint [120.94133818355645]
  ディープラーニングは、理論的観点からいくつかの大きな驚きを明らかにしました。 特に、簡単な勾配法は、最適でないトレーニング問題に対するほぼ完全な解決策を簡単に見つけます。 我々はこれらの現象を具体的原理で補うと推測する。
  論文  参考訳（メタデータ） (2021-03-16T16:26:36Z)
• Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning [48.42916680063503]
  本稿では,この問題クラスにおける近位アルゴリズムの適応型事前条件付け手法を提案する。 不活性エッジのネスト・フォレスト分解により局所収束速度が保証されることを示す。 この結果から,局所収束解析は近似アルゴリズムにおける可変指標選択の指針となることが示唆された。
  論文  参考訳（メタデータ） (2020-02-27T16:33:09Z)

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。