复杂决策的简单规则

Feb, 2017

Simple rules for complex decisions

Jongbin Jung, Connor Concannon, Ravi Shroff, Sharad Goel, Daniel G. Goldstein

TL;DR通过简单规则的选择、回归和舍入方法，应用因果推断工具，探究司法决策中释放或拘留被告的影响因素，并发现简单规则的性能与随机森林等复杂机器学习算法相当。

Abstract

From doctors diagnosing patients to judges setting bail, experts often base their decisions on experience and intuition rather than on statistical models. While understandable, relying on intuition over models has often been found to result in inferior outcomes. Here we present a new method,

simple rules select-regress-and-round judicial decisions machine learning algorithms causal inference

发现论文，激发创造

基于规则集合的预测学习

通过对数据的简单规则的合并构建普通回归和分类模型，生成的规则集在预测准确性方面与最佳方法相当，但其主要优势在于解释和分析相应的输入变量之间的交互作用与影响。技术也被介绍用于自动识别规则中涉及到的变量以及与其相互作用的其他变量等信息，并使用图像来可视化相应数据的效应。

Nov, 2008

广义线性规则模型

本文提出使用基于规则的特征（也称为规则集成）的广义线性模型，用于回归和概率分类，通过列生成算法，优化规则集合的复杂度和预测准确性的平衡。在逻辑回归和线性回归的实验中，与现有的规则集成算法相比，所提出的方法可以获得更好的准确性 - 复杂度平衡，一端可以与少量簇比较。

Jun, 2019

提升人类决策的准确性和公正性

本文从序列决策的角度出发，通过优化专家分配提高决策的准确性和公正性，并展示了该方法在合成数据和真实世界数据中的有效性。

May, 2018

更公平、更准确，但为谁而做？

该论文介绍了一种比较不同风险评估模型公平性的框架，特别关注与种族和性别的不平等问题，以预测再犯率和贷款为例进行实验。

Jun, 2017

从神经网络中学习准确且可解释的决策规则集

本文提出了一种新的范式，使用一个可解释的二层神经网络学习一组独立的逻辑规则作为分类的模型，并提出一种基于稀疏性的规则得出算法，相比其他学习算法和黑匣子模型，该方法可以在分类准确性和简单性之间取得更好的平衡。

Mar, 2021

贝叶斯学习规则

本文说明了许多机器学习算法都是贝叶斯学习规则的特定实例，该规则源于贝叶斯原则，从优化、深度学习和图形模型等领域得出一系列算法。我们的工作不仅统一，泛化和改进了现有算法，而且还帮助我们设计新的算法。

Jul, 2021

可扩展的贝叶斯规则列表

提出了一种建立概率规则列表的算法，其速度比以前的工作快两个数量级，并能够通过优化规则列表在准确性、可解释性和计算速度之间实现实用平衡，并利用贝叶斯分层模型优化概率分类器。

Feb, 2016

防篡改机器学习

本研究提出了一种新的稳健性估计器，以避免在透明决策规则下个体的行为可能造成的操纵行为对决策结果的影响并在肯尼亚的一项大型实验中表明，在策略鲁棒方法估计的决策规则的指导下，其表现优于基于标准监督学习方法的规则。

Apr, 2020

利用观察数据进行个体化治疗规则的高效增强和松弛学习

本文介绍了通过重新定义分类问题，将最优治疗规则的估计转化为分类问题，提出了一类新的基于凸大间隔分类器的最优治疗规则估计方法，这类方法具有双重稳健性，能够在使用属性模型或结果模型进行正确说明时一致地估计最优个体化治疗规则，并使用半参数效率理论技术推导了提议的估计器的一致收敛率，并使用这些结果表征了基于分类的方法估计最优治疗规则时的偏差 - 方差折衷，并通过仿真实验证明了在提议的框架内构造的新估计器可以显著优于现有估计器，数据来自劳动培训计划和炎症性肠病研究。

Jan, 2019

使用不准确的评委对专家进行加权

研究通过设计具有不同能力的裁判来加权专家，以改善二进制投票问题中的正确率，最终展示在从共同分布中 i.i.d. 抽取的已知能力不确定的一组代理的优化划分，可以更好地解决问题。

Nov, 2022