战略分类实践

Mar, 2021

Strategic Classification Made Practical

Sagi Levanon, Nir Rosenfeld

TL;DR本文介绍了一种实用的针对策略性分类的学习框架，利用微分求解了用户的策略反应，从而直接最小化了 “策略性” 经验风险，并且证明了该方法在各种学习场景下的有效性。

Abstract

strategic classification regards the problem of learning in settings where users can strategically modify their features to improve outcomes. This setting applies broadly and has received much recent attention. But despite its practical significance, work in this space has so far been

strategic classification learning framework empirical risk strategic response learning scenarios

发现论文，激发创造

广义战略分类及一致激励案例

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

战略自我选择下的分类

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。

Feb, 2024

策略分类的学习差距

对比标准分类任务，战略分类涉及代理人在修改其特征以获得有利预测的过程中的策略性行为，重点关注战略分类与标准学习之间的可学习差距，并通过提供几乎紧密的样本复杂性和后悔界限来解释这一问题，同时引入两种自然的不确定性情况，以实现一定程度的放松的完全信息设置。

Feb, 2024

战略分类是伪装成因果建模的技术

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

多学习者环境中的战略使用

现实世界的系统中，用户在一组服务中进行选择，通过在线学习算法，这些服务可以自我优化并最大化一些回报，而用户可以策略性地选择服务以追求他们自己的回报函数，我们分析了一个策略性用户在多个可用的服务中进行选择的情境，并研究了损失函数在这种情境下的收敛行为。

Jan, 2024

贝叶斯战略分类

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

战略表现

该研究旨在解决用户如何根据机器的战略表征做出良好选择的问题，提出一种对抗机制学习算法，最小化误差并加强对抗能力。

Jun, 2022

战略分类

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

鼓励建设性适应的线性分类器

本文提出了一种基于分类器的学习方法，通过设计合理的学习策略，鼓励决策主体改变其特定属性，从而在实际场景中提高机器学习算法的预测精度并避免信息操作。

Oct, 2020

来自显式偏好的战略分类

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