論文の概要: Actions Have Consequences: Detecting Outcome Performativity using Intervention Testing

• arxiv url: http://arxiv.org/abs/2607.26908v1
• Date: Wed, 29 Jul 2026 13:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.691304
• Title: Actions Have Consequences: Detecting Outcome Performativity using Intervention Testing
• Title（参考訳）: 行動は一致している:インターベンションテストによるアウトカム・パフォーマティビティの検出
• Abstract要約: 本稿では,OPAB(Outcome Performativity A/B Detection)と呼ばれる予測介入を用いたアウトカム・パフォーマティビティ検出手法の定式化を行う。 OPABは、異なる予測グループによって生成される結果分布の相違性を評価することにより、アウトカム・パフォーマティビティの検出を可能にする。 その結果、サンプルが不足し、コストが抑えられ、あるいは入手が非倫理的な設定において、アウトカム・パフォーマティビティの検出可能性について、より広範な実践的示唆が得られた。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many domains such as Palliative Care, Credit Assignment and Recommender Systems, predictions may causally influence the outcomes they predict. This phenomena is known as Outcome Performativity. This paper formalises an approach for detecting Outcome Performativity using prediction intervention called Outcome Performativity A/B Detection (OPAB). OPAB enables the detection of Outcome Performativity by assessing the dissimilarity in outcome distributions produced by different predictions groups (interventions). If that dissimilarity is significant, Outcome Performativity is detected. We derive sample complexity bounds for OPAB under various Outcome Performative assumption classes which we empirically validate. Results show that detecting Outcome Performativity using OPAB is achievable in numerous cases. Results also show the presence of regions of indistinguishability which describe settings where the allotted number of interventions are insufficient for detecting Outcome Performativity. The results of which have broader practical implications for the detectability of Outcome Performativity in settings where samples are scarce, cost-prohibitive or potentially unethical to obtain. The paper concludes with a case study on the efficacy of OPAB on the Open Bandits dataset, and provides directions for future work.
• Abstract（参考訳）: Palliative Care、Credit Assignment、Recommender Systemsといった多くのドメインでは、予測は予測結果に因果的に影響を及ぼす可能性がある。 この現象はアウトカム・パフォーマティビティ(Outcome Performativity)として知られている。 本稿では,OPAB(Outcome Performativity A/B Detection)と呼ばれる予測介入を用いて,アウトカム・パーフォーマティビティを検出するアプローチを定式化する。 OPABは、異なる予測グループ(介入)によって生成される結果分布の相違性を評価することにより、アウトカム・パフォーマティビティの検出を可能にする。 その相違が重要な場合、アウトカム・パーフォーマティビティが検出される。 OPAB のサンプル複雑性境界を,実証的に検証した様々な Outcome Performative 仮定クラスで導出する。 その結果,OPABによるアウトカム・パフォーマティビティの検出は,多くのケースで達成可能であることがわかった。 また、アウトカム・パフォーマティビティを検出するのに、割当数の介入が不十分な設定を記述した、識別不能な領域の存在を示す。 その結果, サンプルの不足, コスト抑制, あるいは非倫理的な状況において, アウトカム・パフォーマティビティの検出可能性について, より広範な実践的示唆が得られた。 論文はOpen BanditsデータセットにおけるOPABの有効性に関するケーススタディで締めくくり、今後の作業の方向性を提供する。

関連論文リスト

• The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study [56.649987197786096]
  大規模言語モデル(LLM)は人間の行動のシミュレータとしての可能性を示している。 LLMは潜在ユーザ属性の意図しないシフトを誘発し、ユーザのドリフトを引き起こす。 ユーザのドリフトによって生じる不確実性や選択バイアスを形式化する。
  論文  参考訳（メタデータ） (2026-05-20T06:09:41Z)
• Batch-Adaptive Annotations for Causal Inference with Complex-Embedded Outcomes [8.821030737167343]
  結果に対する介入の因果効果を推定することは、政策と意思決定に不可欠である。 例えば、データアノテーションやフォローアップを通じて、地道的な結果情報をコストで明らかにすることができる。 本稿では,専門家のラベルとノイズが混ざり合ったラベルを2重に頑健な因果推定器に効果的に組み合わせる方法について述べる。
  論文  参考訳（メタデータ） (2025-02-14T23:25:35Z)
• Causal Post-Processing of Predictive Models [0.7349727826230863]
  本稿では,限られた実験データを用いて予測モデルの出力を改良する手法である因果後処理を提案する。 我々は,特に予測モデルが有用だが不完全な因果シグナルを捉えた場合,CPPは介入決定を改善することができることを示した。
  論文  参考訳（メタデータ） (2024-06-13T20:18:16Z)
• Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
  Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。 近年, 外部曝露によるOOD検出に有意な結果が得られた。 本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
  論文  参考訳（メタデータ） (2023-10-21T07:16:09Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
  ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。 観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T12:32:08Z)
• Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer Treatment-Effects from Observational Data [37.15330590319357]
  既存のアプローチは、治療と管理のために観察された結果に深いモデルを適用することに依存している。 Deep Bayesian Active Learningは、不確実性の高い点を選択することによって、効率的なデータ取得のためのフレームワークを提供する。 本稿では,重なり合う領域に対するバイアスデータ取得という情報理論に基づく因果的ベイズ獲得機能を紹介する。
  論文  参考訳（メタデータ） (2021-11-03T15:11:39Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Double machine learning for sample selection models [0.12891210250935145]
  本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。 a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
  論文  参考訳（メタデータ） (2020-11-30T19:40:21Z)
• Learning Overlapping Representations for the Estimation of Individualized Treatment Effects [97.42686600929211]
  観測データから代替案の可能性を推定することは難しい問題である。 入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。 我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-01-14T12:56:29Z)

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。