論文の概要: Robust Strategic Classification under Decision-Dependent Cost Uncertainty

• arxiv url: http://arxiv.org/abs/2606.30136v1
• Date: Mon, 29 Jun 2026 11:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.201529
• Title: Robust Strategic Classification under Decision-Dependent Cost Uncertainty
• Title（参考訳）: 決定依存コストの不確実性を考慮したロバスト戦略分類
• Abstract要約: 人間は、(アルゴリズムのコストで)受け取ったアルゴリズムの結果を好意的に変更するために、入力データを(彼らにコストを掛けて)変更することで、ゲームのアルゴリズム決定システムに見出されている。 本稿では,そのような依存関係を捉えるための決定依存不確実性セットを備えた2段階のロバスト最適化フレームワークを提案し,解析する。 我々は、政策に依存したコストに対する認識が不確実性を減少させるだけでなく、時間とともにアルゴリズムシステムのゲームを改善することも強調する。
• 参考スコア（独自算出の注目度）: 3.1351527202068445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans facing algorithmic decision systems have been found to ``game'' them by altering their input data (at a cost to them) in order to favorably change the algorithmic outcomes they receive (at a cost to the algorithm). The growing literature on strategic classification seeks to develop robust machine learning algorithms that account for, and reduce, unwanted strategic behavior. A limitation of these existing works is that they assume the cost of strategic behavior to be fixed and independent of the classifier's decision. In practice, however, manipulation costs evolve and depend on past algorithmic decisions: today's decisions influence tomorrow's costs. This paper proposes and analyzes a two-stage robust optimization framework with a decision-dependent uncertainty set to capture such dependencies. We highlight that awareness of policy-dependent costs not only reduces uncertainty, but also better curtails gaming of the algorithmic system over time.
• Abstract（参考訳）: アルゴリズム決定システムに直面している人間は、(アルゴリズムにコストを掛けて)受け取ったアルゴリズムの結果を好意的に変更するために、入力データを(彼らにコストを掛けて)変更することで「ゲーム」であると判明した。 戦略的分類に関する文献の増大は、望ましくない戦略的行動を考慮し、低減する堅牢な機械学習アルゴリズムの開発を目指している。 これらの既存の作業の制限は、それらの戦略行動のコストが、分類者の決定から独立して固定されることを仮定することである。 しかし実際には、操作コストは進化し、過去のアルゴリズムによる決定に依存します。 本稿では,そのような依存関係を捉えるための決定依存不確実性セットを備えた2段階のロバスト最適化フレームワークを提案し,解析する。 我々は、政策に依存したコストに対する認識が不確実性を減少させるだけでなく、時間とともにアルゴリズムシステムのゲームを改善することも強調する。

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)
• Scalable Decision Focused Learning via Online Trainable Surrogates [9.624413875440233]
  コスト損失関数の評価を効率的な代理に置き換える高速化手法を提案する。 従来定義されていたサロゲートとは異なり、我々のアプローチは、急激な局所最適化のリスクを減らす不偏推定器に依存している。 提案手法は,他の最先端技術に匹敵するソリューション品質で,コストのかかる内部解決コールを削減する。
  論文  参考訳（メタデータ） (2025-12-03T15:09:21Z)
• Collective dynamics of strategic classification [49.14942990735098]
  ユーザと機関の集団間のフィードバックループ問題に進化ゲーム理論を適用した。 検知能力の向上は社会的コストを低減し,ユーザの改善につながる可能性が示唆された。 施設が利用者の人口に再適応する速度は、最終結果に果たす役割を担っている。
  論文  参考訳（メタデータ） (2025-08-12T20:57:17Z)
• On strategies for risk management and decision making under uncertainty shared across multiple fields [55.2480439325792]
  本稿では、このような戦略の110以上の例を見つけ、リスクに対するこのアプローチをRDOT: Risk-reducing Design and Operations Toolkitと呼ぶ。 RDOT戦略は、構造的、反応性、形式的、敵対的、多段階、ポジティブの6つの幅広いカテゴリに分類される。 全体的なRDOTは、不確実性に対する多目的応答の見過ごされたクラスを表している。
  論文  参考訳（メタデータ） (2023-09-06T16:14:32Z)
• Influence of the algorithm's reliability and transparency in the user's decision-making process [0.0]
  我々は61人の参加者とともにオンライン実験を行い、アルゴリズムの透明性と信頼性の変化がユーザーの意思決定プロセスにどのように影響するかを調べる。 その結果,信頼性が悪くても,アルゴリズムの判断にある程度の信頼感が示されることがわかった。
  論文  参考訳（メタデータ） (2023-07-13T03:13:49Z)
• On solving decision and risk management problems subject to uncertainty [91.3755431537592]
  不確実性は意思決定とリスク管理において広範囲にわたる課題である。 本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
  論文  参考訳（メタデータ） (2023-01-18T19:16:23Z)
• Algorithmic Decision-Making Safeguarded by Human Knowledge [8.482569811904028]
  我々は人的知識によるアルゴリズム決定の強化について研究する。 アルゴリズム決定が大規模データに対して最適である場合、非データ駆動のヒューマンガードレールは、通常、何の利益も与えないことを示す。 これらのケースでは、十分なデータであっても、人間の知識による増強は、アルゴリズムによる決定の性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-11-20T17:13:32Z)
• Early and Revocable Time Series Classification [0.028675177318965035]
  本稿では,早期・無効な時系列分類という新しい問題を紹介する。 コストベースの新しいフレームワークを提案し、そこから2つの新しいアプローチを導出する。 取り消し決定の能力は、取り消し不能な体制よりもパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2021-09-21T16:09:11Z)
• Modularity in Reinforcement Learning via Algorithmic Independence in Credit Assignment [79.5678820246642]
  提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。 我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
  論文  参考訳（メタデータ） (2021-06-28T21:29:13Z)
• Algorithmic Challenges in Ensuring Fairness at the Time of Decision [6.228560624452748]
  社会的文脈におけるアルゴリズムによる意思決定は、帯域幅フィードバックの下で最適化される。 最近の訴訟は、アルゴリズムによる価格設定の慣行を展開している企業を非難している。 凸最適化の文脈において、遠心自由というよく研究された公正性の概念を導入する。
  論文  参考訳（メタデータ） (2021-03-16T19:06:28Z)
• Non-stationary Online Learning with Memory and Non-stochastic Control [71.14503310914799]
  我々は,過去の決定に依拠する損失関数を許容するメモリを用いたオンライン凸最適化(OCO)の問題について検討する。 本稿では,非定常環境に対してロバストなアルゴリズムを設計するための性能指標として,動的ポリシーの後悔を紹介する。 我々は,時間的地平線,非定常度,メモリ長といった面で,最適な動的ポリシーの後悔を確実に享受するメモリ付きOCOの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T09:45:15Z)
• Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
  政治政策の最適化は強化学習において難しい問題である。 オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
  論文  参考訳（メタデータ） (2020-09-14T16:22:46Z)

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。