通过引入因果框架来研究策略适应问题,揭示了与游戏与改进相关的一些难点,提出了分类器设计与成本函数设计必须解决非平凡因果推断问题,而过往在策略分类方案的研究实际上是具有隐性因果模型的。
Oct, 2019
本文研究算法决策,分析了在社会不平等的情况下,一方面面临更高的成本的候选群体可能会被错误地排除,而另一方面面临更低成本的候选群体可能会被错误地接受。本文还探讨了给予补贴的干预效果,发现某些情况下给予补贴只会提高算法决策者的效用,但实际上会损害所有候选群体的利益,包括补贴接收者。
Aug, 2018
研究表明,通过使用数据驱动的预测模型作出的决策越来越多,对于这些决策的影响,对于个人和社会,决策者透明公开的政策也就越来越重要。我们的研究目标是找到在具有策略性投资的情况下,对于实用性最优的决策策略,在我们的研究中,我们首先表征了个体策略性努力投资如何导致特征分布的变化,然后提出了一种适用于多种情况的最优决策策略的搜索方法,并根据合成和现实数据的实验结果,说明了我们算法找到的决策策略比没有考虑策略性的决策策略的实用性要高。
May, 2019
机器学习中的好斗现象及其解决方案的研究,通过将分类问题建模为一种游戏的方式,提出了一种近乎最优的、能够抵抗 “好斗” 现象的分类器设计算法,尤其对于一类自然代价函数而言,该算法在计算上也是高效的。
Jun, 2015
本文提出了并研究了一种广义的策略性分类模型,其中针对用户利益和系统需要达成一致的问题,提出了一种新的 max-margin 框架,提高了其实用性和有效性,并通过实验证明了方法的实用价值。
Feb, 2022
在战略分类中,学习者以一定的代价修改特征,以期从学习者的分类器中获得正面分类。我们考虑学习者在战略分类中部分信息披露的问题,研究代理在非完全了解分类器参数的情况下的最佳响应。我们展示了部分信息披露在增加代理操纵能力的同时,反直觉地有利于学习者的准确性,并提出了一些关于学习者优化问题的正面和负面结果,探讨了学习者应该披露多少信息来最大化预期准确性的算法问题。
Feb, 2024
通过引入噪音,弥补标准微观基础的局限性,提出了一种稳定的整体响应二分类的策略性代理模型,降低了社会成本的最优决策规则。
Jun, 2021
用户的自主选择行为对学习过程和学习结果有重要影响,在预测中用户会采取策略性的行动,我们研究了一种用户根据学习到的分类器决定是否参与的新型情景,为了提高学习的策略性,我们提出了一个可有效优化的自主选择学习框架,并通过实验验证了其实用性。
本文提出了在实现线性设置中优化三种不同决策者目标的决策规则的有效算法,包括准确预测智能体事后结果 (预测风险最小化),激励智能体改进这些结果 (智能体结果最大化),以及估计真实基础模型的系数 (参数估计)。其中的算法绕过了 Miller 等人的一个困难结果,允许决策者测试一系列决策规则并观察智能体的响应,从而通过决策规则实现因果干预。
Feb, 2020
研究在线线性分类问题,应对操纵特征的策略代理的对抗性选择和他们操纵向量的揭示偏好,提供一个计算有效的学习算法,获得减小的 Stackelberg 后悔以近似于最佳分类器。
Oct, 2017