論文の概要: Stabilizing Performative Feedback Loops with Minimal Model Deployments
- arxiv url: http://arxiv.org/abs/2609.14065v1
- Date: Sat, 12 Sep 2026 17:27:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.649507
- Title: Stabilizing Performative Feedback Loops with Minimal Model Deployments
- Title（参考訳）: 最小モデル展開によるパフォーマンスフィードバックループの安定化
- Abstract要約: 提案手法は,提案手法が誘導する分布に最適な予測規則を効率よく学習可能であることを示す。
性能的に安定な予測器の学習における中核的な課題は、分布が固定された教師あり学習とは異なり、学習者は異なる予測器を配置する必要があることである。
本稿では,ほぼ最小限のモデル配置において,性能的に安定なモデルを求めるアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 32.283056647528845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When algorithmic predictions inform people's decisions, the models we deploy are performative and actively shape the data we see. This feedback loop between algorithms and their broader environments introduces a challenge in the mechanics of social prediction: If different predictive models induce different distributions, is it possible to efficiently learn a prediction rule that is optimal for the distribution that it induces? Formally, this solution concept is known as performative stability. A core challenge in learning a performatively stable predictor is that, unlike supervised learning where distributions are fixed, the learner must deploy different predictors and observe their induced distributions. The main contribution of our work is a new algorithmic procedure that, in the high-accuracy regime, finds a performatively stable model in nearly the minimum number of model deployments without making any assumptions regarding how predictions shape distributions. In particular, our procedure succeeds at finding a randomized performatively stable predictor using exponentially fewer model deployments than prior approaches. Our second main contribution is a structural result showing how this recent randomized notion of stability achieved by our algorithm can be derandomized into a single predictor satisfying the prior deterministic notion if one is willing to assume that the loss is well-conditioned and that performative effects are weak, as in early work in this area. On a technical level, our results come from building on an underexplored technical connection between performative stability and expected variational inequalities.
- Abstract（参考訳）: アルゴリズムによる予測が人々の判断に影響を及ぼすと、デプロイするモデルは実行可能で、目にするデータを積極的に形成します。
異なる予測モデルが異なる分布を誘導した場合、それが誘導する分布に最適な予測ルールを効率的に学習することは可能か?
形式的には、この解の概念は実効安定性として知られている。
性能的に安定な予測器の学習における中核的な課題は、分布が固定された教師あり学習とは異なり、学習者は異なる予測器を配置し、誘導された分布を観察する必要があることである。
我々の研究の主な貢献は、高精度なシステムにおいて、予測がどのように分布を形作るかについて仮定することなく、ほぼ最小限のモデル配置において、性能的に安定なモデルを見つける新しいアルゴリズムの手順である。
特に,従来の手法に比べて指数関数的に少ないモデル配置を用いて,ランダム化された性能安定予測器の探索に成功している。
我々の2つ目の貢献は、このアルゴリズムによって達成された最近のランダム化された安定性の概念が、この領域の初期の研究のように、損失が十分に条件付きであり、性能効果が弱いと仮定するならば、以前の決定論的概念を満たす単一の予測子にどのようにデランドマイズされるかを示す構造的な結果である。
技術的レベルでは、性能安定性と期待される変分不等式との間には、未解明の技術的な関係が築かれています。
関連論文リスト
- Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data [0.0]
本調査は,予測パイプラインに不確実性が導入される場所と状況に応じて確率予測手法を整理し,統一的な視点を整備する。
我々の分類学は, 表現的・非分布的キャリブレーションを含むモデル非依存的アプローチと, ベイズモデル, パラメトリック予測分布, 分布回帰, 現代生成モデルにまたがるモデル内在的アプローチを結びつけ, 時系列基盤モデルの出現する役割について検討する。
論文 参考訳（メタデータ） (2026-09-11T13:26:47Z) - The Stability of Online Algorithms in Performative Prediction [32.283056647528845]
性能設定に展開された任意の非回帰アルゴリズムが(混合された)性能安定平衡に収束することを示す。
私たちの研究は、勾配降下のような一般的なアルゴリズムが自然に安定化し、暴走するフィードバックループを防いでいる理由を明らかにしています。
論文 参考訳（メタデータ） (2026-02-27T17:35:03Z) - How to model Human Actions distribution with Event Sequence Data [22.25731364559209]
本研究では,人間の行動系列における事象の今後の分布予測について検討する。
単純な明示的分布予測の対象が、複雑な暗黙的ベースラインを一貫して超越していることが分かる。
この研究は、モデリング戦略を選択するための原則化されたフレームワークを提供し、より正確で堅牢な予測システムを構築するための実践的なガイダンスを提供する。
論文 参考訳（メタデータ） (2025-10-07T12:24:54Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。
本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。
私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文 参考訳（メタデータ） (2020-08-10T17:09:16Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z) - Calibrated Prediction with Covariate Shift via Unsupervised Domain
Adaptation [25.97333838935589]
不確実性推定は、自律的なエージェントや人間の意思決定者が予測モデルを理解し、活用するのを助ける重要なツールである。
既存のアルゴリズムは確実性を過大評価し、予測モデルに誤った自信を与える可能性がある。
論文 参考訳（メタデータ） (2020-02-29T20:31:04Z)
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。