論文の概要: Algorithmic Recourse Under Competition

• arxiv url: http://arxiv.org/abs/2609.39877v1
• Date: Wed, 30 Sep 2026 14:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 04:51:24.45231
• Title: Algorithmic Recourse Under Competition
• Title（参考訳）: 競争下におけるアルゴリズム的リコース
• Abstract要約: コンピュータ・リコースにおける中心的な前提は、リコースの実装フェーズを通して決定ルールが固定されていることである。 本稿では,レコメンデーション・レコメンデーション・レコメンデーションとレコメンデーション・スコア・ターゲットを共同で最適化する「レコメンデーション・アン・コンペティション」というフレームワークを導入する。 合成データセットと実データセットの実験により、パーソナライズされたスコアターゲットはより高い妥当性を達成できるが、高いコストで達成できることが示されている。
• 参考スコア（独自算出の注目度）: 1.4806222270285054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic recourse provides individuals who have received undesirable outcomes from machine learning models with suggestions for minimum-cost improvements to achieve the desired outcome. A central assumption when computing recourse is that the decision rule remains fixed throughout the recourse implementation phase. We challenge this assumption in settings where individuals compete for limited resources. In such settings, widespread recourse implementation can change the acceptance threshold even when the scoring model that is used to evaluate individuals remains the same. This change in acceptance threshold can, in turn, invalidate the original recourse recommendations (i.e., following the recourse may not lead to the desired outcome). To address this problem, we introduce a framework called recourse under competition that jointly optimizes for recommendation recipients and the recommended score target they need to satisfy to balance the recourse cost and post-shift validity among initially rejected individuals. We develop an algorithm based on the Implicit Function Theorem and empirically analyze its performance. Experiments on synthetic and real datasets show that personalized score targets can achieve higher validity, albeit at a higher cost. In contrast, common score targets generally offer favorable cost-validity trade-offs for lower to medium validity values.
• Abstract（参考訳）: アルゴリズムの講義は、機械学習モデルから望ましくない結果を得た個人に、望ましい結果を達成するために最小限のコスト改善を提案する。 コンピュータ・リコースにおける中心的な前提は、リコースの実装フェーズを通して決定ルールが固定されていることである。 我々は、個人が限られたリソースを競う環境でこの仮定に挑戦する。 このような設定では、個人を評価するために使用されるスコアリングモデルが同じままであっても、広範なリコース実装が受け入れしきい値を変更することができる。 この受け入れしきい値の変更は、元のリコース勧告を無効にすることができる(つまり、リコースに従えば、望ましい結果にはならない)。 そこで,本稿では,レコメンデーション・レコメンデーション・レコメンデーション(レコメンデーション・レコメンデーション,レコメンデーション・レコメンデーション・レコメンデーション,レコメンデーション・レコメンデーション・レコメンデーション・レコメンデーション・ターゲット)を共同で最適化する「レコメンデーション・アン・コンペティション・アン・コンペティション(recourse under competition)」という枠組みを導入する。 Inlicit関数定理に基づくアルゴリズムを開発し,その性能を実証的に解析する。 合成データセットと実データセットの実験により、パーソナライズされたスコアターゲットはより高い妥当性を達成できるが、高いコストで達成できることが示されている。 対照的に、一般的なスコアターゲットは、一般的に、低い値から中値のコスト対価のトレードオフを提供する。

関連論文リスト

• Which Self-Improvements Should We Trust? Reliable Self-Improvement When Agents Reuse Their Benchmarks [4.633684245833275]
  再帰的自己改善(RSI)は急速に進歩し、適応探索を導く上で信頼性の高い評価が重要である。 提案するREUSEは,修正された評価セットが反復的な適応的意思決定を支援するための認定評価・促進フレームワークである。 本稿では, 同時誤差制御, 累積的改善に対する有効下限, 適応的評価再利用の基本的な限界のキャラクタリゼーションを含む, RSI 評価のための詳細な統計理論を開発する。
  論文  参考訳（メタデータ） (2026-09-27T03:58:48Z)
• Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
  LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。 実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
  論文  参考訳（メタデータ） (2026-08-02T00:27:01Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• $i$REPO: $i$mplicit Reward Pairwise Difference based Empirical Preference Optimization [12.266207199002604]
  大規模言語モデル(LLM)は、人間の期待から外れた出力を生成することがある。 経験的選好最適化に暗黙的逆差分回帰を利用する,$i$REPO という新しいフレームワークを提案する。 i$REPOは, ソフトラベル, 自己生成応答, 経験的AIアノテータのロジットを用いて, 効果的に自己アライメントを実現することを示す。
  論文  参考訳（メタデータ） (2024-05-24T05:42:11Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Probabilistically Robust Recourse: Navigating the Trade-offs between Costs and Robustness in Algorithmic Recourse [34.39887495671287]
  本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。 我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。 複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-13T21:39:24Z)

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。