論文の概要: Performative Prediction with Selective Labels

• arxiv url: http://arxiv.org/abs/2610.08272v1
• Date: Tue, 06 Oct 2026 12:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.985911
• Title: Performative Prediction with Selective Labels
• Title（参考訳）: 選択的ラベルを用いた変形予測
• Abstract要約: 我々は、選択的ラベルを用いて演奏予測を定式化し、観察データのみに基づいて再トレーニングを行うことで、再トレーニングの手順を誤ったものにすることができることを示す。 条件付きラベル分布に対する感度推定では, 従来受理されていたデータが時間とともにこれらの信頼区間を締め付けることができることを示す。
• 参考スコア（独自算出の注目度）: 7.685857844572122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many social applications of machine learning exhibit performative effects: population behavior changes in response to deployed models. Performative prediction studies this interaction through a distribution map that relates each model to the population distribution it induces. One of the main results in this framework showed that repeated risk minimization (RRM), which updates models by retraining on the most recent data, can converge to a stable model that minimizes risk on its own induced distribution. However, existing analyses typically assume access to the complete distributions of features and labels after model deployment, ignoring the possibility of selective labels: observing labels only for the accepted subset of the population. In this work, we formalize performative prediction with selective labels and show that retraining only on observed data can misguide the retraining procedure and undermine the guarantees of convergence to a stable solution. We then propose a worst-case objective based on knowledge of a confidence interval on the probability of a positive label. Applying RRM to this objective permits us to remain within a bounded distance to the true stable point. Under a sensitivity assumption on the conditional label distribution, we further show how previously accepted data can tighten these confidence intervals over time. Experiments in a lending application with fairness regularization show that our robust optimization approach closely matches the performance of RRM with complete label access.
• Abstract（参考訳）: 機械学習の多くの社会的応用はパフォーマンス効果を示す: デプロイされたモデルに応答して人口行動が変化する。 適応予測は、各モデルとそれが誘導する人口分布を関連づける分布マップを通して、この相互作用を研究する。 このフレームワークの主な成果の1つは、リスク最小化(RRM)が、最新のデータで再トレーニングすることでモデルを更新し、自分自身の誘導された分布におけるリスクを最小限に抑える安定したモデルに収束できることである。 しかし、既存の分析では、モデル展開後の特徴とラベルの完全な分布を前提としており、選択ラベルの可能性を無視している。 本研究では,選択的ラベルを用いた性能予測を定式化し,観測データのみによる再トレーニングが再トレーニング手順を誤認し,安定解への収束の保証を損なうことを示す。 そこで我々は,正のラベルの確率に対する信頼区間の知識に基づいて,最悪の場合の目標を提案する。 この目的に RRM を適用することで、真の安定点までの有界距離に留まることができる。 さらに, 条件付きラベル分布に対する感度の仮定により, 従来受理されていたデータが時間とともにこれらの信頼区間を締め付けることができることを示す。 フェアネス正則化を用いた貸与アプリケーションの実験により、ロバストな最適化手法がRRMの性能と完全なラベルアクセスとを密に一致していることが示されている。

関連論文リスト

• Asymptotically Log-Optimal Bayes-Assisted Confidence Sequences for Bounded Means [0.0]
  ベイズ型動作予測モデルを用いて信頼性シーケンスを適応的に構築するベイズ支援フレームワークを提案する。 LLM評価のための合成データ、シーケンシャルベストアーム識別、および予測駆動推論の実験により、情報的事前は信頼性シーケンス幅とサンプリングの労力を大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2026-05-08T16:27:50Z)
• Label Distribution Learning using the Squared Neural Family on the Probability Simplex [15.680835401104247]
  ラベル分布学習モデルSNEFY-LDLを提案する。 単純体上の全ての可能なラベル分布の確率分布を推定する。 基礎構造ラベル分布を予測し、ラベル分布の信頼区間を構築し、異なるラベル間の相関を測定できる。
  論文  参考訳（メタデータ） (2024-12-10T09:12:02Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Dr. FERMI: A Stochastic Distributionally Robust Fair Empirical Risk Minimization Framework [12.734559823650887]
  分散シフトが存在する場合、公正な機械学習モデルはテストデータに対して不公平に振る舞うことがある。 既存のアルゴリズムはデータへの完全なアクセスを必要とし、小さなバッチを使用する場合には使用できない。 本稿では,因果グラフの知識を必要としない収束保証付き分布安定度フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-20T23:25:28Z)
• The Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data [8.916614661563893]
  因果推論を両立させるために,MARフレームワークの欠落と関連するアプローチを導入する。 これはラベル付け機構における選択バイアスとラベル付きグループとラベルなしグループの極端な不均衡に同時に対処する。 因果関係の堅牢性を確保するため,平均治療効果に対するバイアス低減SS推定器を提案する。
  論文  参考訳（メタデータ） (2023-05-22T07:37:12Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)
• Evaluating Model Robustness and Stability to Dataset Shift [7.369475193451259]
  機械学習モデルの安定性を解析するためのフレームワークを提案する。 本手法では,アルゴリズムが性能の悪い分布を決定するために,元の評価データを用いる。 我々は,アルゴリズムの性能を"Worst-case"分布で推定する。
  論文  参考訳（メタデータ） (2020-10-28T17:35:39Z)
• 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)

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。