Oct, 2022
单位选择:从有限人口数据中学习受益函数
Unit Selection: Learning Benefit Function from Finite Population Data
Ang Li, Song Jiang, Yizhou Sun, Judea Pearl
TL;DR本论文提出了一种机器学习框架,利用可估算的有限人口数据上的福利函数范围来学习特征单元格的福利函数范围,以便轻松获得最大化福利函数的特征。
Abstract
The unit selection problem is to identify a group of individuals who are most
likely to exhibit a desired mode of behavior, for example, selecting
individuals who would respond one way if incentivized and a different way if
not. The →
发现论文,激发创造
单元选择:案例研究及与 A/B 测试启发式算法的比较
该研究介绍了 Li 和 Pearl 所定义的单元选择问题,针对有所需反事实行为模式的人进行筛选,并且比较了该模型与 A/B 测试的区别和优越性,同时提供了更多模拟用例,并指出 A/B 测试普遍存在问题。
Oct, 2022
因果单元选择的算法和复杂性结果
该研究提出了第一个精确算法,用于在给定广泛类的因果目标函数和完全指定的结构性因果模型下找到最优单元选择,同时提供了基于树宽度的复杂性边界,与最大后验概率推断的一个著名算法相关。
Feb, 2023
超越次模性:带团体公正约束的随机集合选取统一框架
本文提出了一种新型的随机子集选择框架,用于解决机器学习算法中存在的偏见或歧视问题,该框架结合了群体公平和最优化的因素,具有广泛的应用前景和优化效果。
Apr, 2023
从海量数据中发现有价值的物品
本文提出一种基于核函数、高斯过程预测和子模函数的算法 GP-Select,用于在考虑物品相似性和利用率的基础上从一个成本累计预算中选出最大价值的子集以及同时具有高效和多样性并将其应用于三个真实世界的案例,并在无需逼近的情况下,通过利用模型更新的结构实现了数量级上至多 40 倍的加速。
Jun, 2015
分布式基于配对次模函数的大于内存子集选择
通过提出一种新颖的分布式界限算法,并使用多轮基于分区的分布式贪心算法,此论文解决了子集选择问题,能够在没有或极小损失质量的情况下,找到高质量的子集。
Feb, 2024
强化学习中的模型选择与通用函数逼近
该研究考虑经典强化学习环境下的模型选择问题,提出了针对 Multi Armed Bandits(MABs)和 Markov Decision Processes(MDPs)的高效自适应模型选择算法,并证明了在假设类可分离的情况下,该算法的累积损失与正规则匹配。
Jul, 2022