論文の概要: Optimizing Recourse Under Predictive Multiplicity

• arxiv url: http://arxiv.org/abs/2611.05774v1
• Date: Wed, 04 Nov 2026 00:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.908788
• Title: Optimizing Recourse Under Predictive Multiplicity
• Title（参考訳）: 予測的多重度下におけるリコースの最適化
• Abstract要約: アルゴリズムのリコースは、好ましくないモデル予測を好ましくないモデルに変えることができる修正を特定する。 予測多重性の下では、同様のモデルの実行は個々の予測に異を唱える可能性があるため、あるモデルで妥当なリコースは別のモデルで失敗する可能性がある。 ORPMと呼ばれるオラクル効率のアルゴリズムを提案し,その収束に十分な条件を証明した。
• 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 identifies modifications that can change an unfavorable model prediction into a favorable one. Under predictive multiplicity, similarly performing models can disagree on individual predictions, so recourse valid for one model may fail for another. We formulate robust recourse under predictive multiplicity as a budget-constrained minimization of the worst-case validity loss across a competing set of models, which can include models with different architectures or from different hypothesis classes. We propose an oracle-efficient algorithm called ORPM and prove sufficient conditions for its convergence. We evaluate ORPM on one synthetic and five real datasets, and competing sets consist of linear, neural, mixed, and decision-tree models. Our experiments show decreasing optimization-gap bounds and high validity in many tested settings, with favorable performance against baselines designed for specific model classes or architectures. We also quantify how requiring a common action across competing models changes recourse success at a given budget and examine disparities in this success across demographic groups.
• Abstract（参考訳）: アルゴリズムのリコースは、好ましくないモデル予測を好ましくないモデルに変えることができる修正を特定する。 予測多重性の下では、同様のモデルの実行は個々の予測に異を唱える可能性があるため、あるモデルで妥当なリコースは別のモデルで失敗する可能性がある。 予測多重度の下でのロバストな談話は、異なるアーキテクチャのモデルや異なる仮説クラスのモデルを含む、競合するモデルの集合における最悪のケースの妥当性損失の最小化として、予算的に制約された最小化として定式化する。 ORPMと呼ばれるオラクル効率のアルゴリズムを提案し,その収束に十分な条件を証明した。 ORPMを1つの合成データセットと5つの実データセットで評価し、線形, ニューラル, 混合, 決定木モデルからなる競合集合について検討した。 実験では,多くのテスト環境において,最適化ギャップ境界の低減と高い妥当性を示し,特定のモデルクラスやアーキテクチャ用に設計されたベースラインに対して良好な性能を示す。 また、競合するモデル間での共通行動の必要性が、特定の予算での成功にどのように影響するかを定量化し、人口統計学的グループ間でのこの成功の相違について検討する。

関連論文リスト

• Valid Best-Model Identification for LLM Evaluation via Low-Rank Factorization [17.34147279018477]
  統計的妥当性を損なうことなく,MABと安価な予測スコアを組み合わせた原理的枠組みを提案する。 分散を低減するために低ランク予測を用いた各モデルの性能の2倍頑健な推定器を導出する。 実世界のベンチマークによる実証的な結果から,本手法は必要な評価回数を削減し,計算とコストに有意義な節約をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-05-11T11:43:28Z)
• A Consistency-Centric Approach to Set-Based Optimization with Multiple Models of Unranked Fidelity [0.3447372337541619]
  現実世界のアプリケーションでは、モデル精度は先入観としてほとんど知られておらず、単一の最も正確なモデルが誤解を招く可能性があると仮定する。 本稿では,S-BOMM(Set-Based Optimization with Multiple Models)と呼ばれる,フレキシブルなセットベース最適化手法を提案する。 単一のベストソリューションに頼るのではなく、モデル間の一貫性を重視することで、このセットベースのアプローチは最適化問題に対する実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-02-28T20:30:41Z)
• Enhanced Multi-model Online Conformal Prediction [25.495949162960624]
  コンフォーマル予測(Conformal prediction)は、未確認データの予測セットを構成する不確実性定量化のためのフレームワークである。 これらの予測セットの効率は、そのサイズによって測定され、基礎となる学習モデルの選択に依存する。 この研究は、計算複雑性を低減し、予測効率を向上させる、新しいマルチモデルオンライン共形予測アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2026-01-04T23:44:43Z)
• The Law of Multi-Model Collaboration: Scaling Limits of Model Ensembling for Large Language Models [54.51795784459866]
  マルチモデル協調のための性能スケーリングの理論的枠組みを提案する。 本稿では,マルチモデルシステムにおいて,パラメータの総数に関して,パワー則のスケーリングが従うことを示す。 不均一なモデルファミリのアンサンブルは、単一のモデルファミリ内で形成されたものよりも優れたパフォーマンスのスケーリングを実現する。
  論文  参考訳（メタデータ） (2025-12-29T09:55:12Z)
• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• Post-Selection Confidence Bounds for Prediction Performance [2.28438857884398]
  機械学習では、潜在的に多くの競合モデルから有望なモデルを選択し、その一般化性能を評価することが重要な課題である。 本稿では,評価セットの予測性能に基づいて選択された複数のモデルに対して,有効な低信頼境界を求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-24T13:28:43Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。