- 在线堆叠伯格优化与非线性控制
适应性代理、在线控制、后悔最小化、对抗性干扰、表现性预测是该研究论文的主要关键词,该论文提出了一个统一的算法框架,用于在预测和优化可能的代理响应空间中实现可计算的后悔最小化,同时说明了在各种情况下的的紧界限制以及应用实例。
- 解决表现预测中的极化和不公平问题
通过对执行预测的稳定解的公平性进行研究,我们发现在模型依赖的分布变化情况下,现有的公平机制可能会引发严重的极化效应和组内损失差异,并提出了一种能够同时实现稳定和公平的新的公平干预机制。
- 临床预测模型管理中留置集使用的伦理考虑
临床预测模型的伦理研究中探讨了利用保留集进行临床预测模型的潜在实施,涉及到临床预测模型、预测效果、伦理原则、伦理和统计问题。提出了如何选择保留集样本、以及与随机对照试验的伦理和统计差异等问题,并对研究者使用保留集进行临床预测模型提出实用建议 - 隐私保护的剪切 SGD 算法:偏差放大和修正
本文研究了在预测性场景下剪裁随机梯度下降(SGD)算法的收敛性质,分析了其可能产生的偏差放大现象,并提出了两种解决方案和相应的实验验证。
- 公平反馈循环:在合成数据上进行训练增强了偏见
模型诱发的分布漂移(MIDS)会导致模型输出在几代模型的过程中污染新的模型训练集。我们介绍了一个跟踪多个代际 MIDS 的框架,发现它们可能导致性能、公平性和边缘化群体代表性的损失,即使在最初没有偏见的数据集中。尽管存在这些负面后果,但我们 - 行为预测:回顾与展望
社会世界中的预测通常会影响预测的目标,这称为表现性,而表现性预测又可分为自我实现和自我否定的预测。在机器学习的发展中,表现性这个概念在经济学、金融学和社会科学中具有基本重要性,但在机器学习应用中往往表现为分布转移。我们对最近建立的表现性预测 - 基于不等式约束的零遗憾执行预测
对于受到不等式约束的可行预测问题,本文在鲁棒的原始对偶框架基础上提出了一种自适应的原始对偶算法,通过数值模拟验证了算法的有效性和理论结果,该算法在不等式约束下达到 O (√T) 的后悔与约束违规,使用了√T + 2T 个样本。
- 插件性能优化
本文研究了在目标性预测中使用可能被错误规定的模型的方法,通过使用名为 “插件表现优化” 的通用协议,证明了其过度风险的界限,结果表明,即使模型被错误规定,模型确实可以帮助学习实现表现。
- 表现力联邦学习:应对模型依赖和异构分布漂移的解决方案
本文提出了一种基于分布漂移映射的执行预测的联邦学习框架,关键是提出了唯一可行的执行稳定解的必要和充分条件,并在全和部分参与方案下证明了实现 FedAvg 算法的 O (1/T) 速率下收敛到执行稳定解。
- 利用赌率反馈的表现预测:通过重新参数化进行学习
本研究旨在研究不需要假设空间为凸集且模型对数据分布的映射事先已知的可应用的可执行预测问题。通过开发两级零阶优化算法,该算法一级旨在计算分布图,而另一个级别则将可执行预测目标重新参数化为由所引发的数据分布的函数。在一定的条件下,这种重新参数化 - 神经网络的执行预测
该研究提出一种执行预测框架,关注于找到稳定的分类器来影响他们要预测的数据;并且可以放松关于损失函数的假设,通过使用 Lipschitz 连续的预测数据分布。通过实验,该研究表明可以使用这种方法学习关于真实数据的神经网络分类器。
- ICML通过表现性分布鲁棒优化实现少数群体的长期公平性
研究人员扩展了实现预测并加入分布式鲁棒性目标,以解决正式的公平标准存在的四个严重缺陷。
- ICML自囚于设备:模型如何在表现性预测中引起数据偏差
该研究提出一种分类法,以表征数据中的偏差,并研究了表现预测中的两种典型偏差:分布偏移和选择性标签对性能和公平性的危害,通过真实案例研究了欺诈检测中的不公平问题。
- ICML利用执行反馈的懊悔最小化
本文研究了在 performative 情境下找到接近最优点的模型的问题,该算法在找到最优解的同时还能保证低的后悔值,并通过对分布性的探索来构建风险置信度,从而建立了一种利用 bandits 算法来实现 performative 反馈下的后 - 学习中基于决策相关分布的吸引区近似
通过研究表征分类器对基础数据分布的影响的具有宏观性质的 映射方法,进一步分析重复风险最小化的扰动轨迹,提出了性能对准的概念,从而提供了关于收敛性的几何条件。
- 走出 “回音壁”:优化表现风险
本文探讨了 performative prediction 的问题,基于特定的损失函数和模型诱导的分布位移性质进行优化,从而实现风险凸优化,并且比通用导数优化方法具有更好的样本效率。
- 决策依赖分布的随机优化
本文的研究内容是针对随机优化问题中在决策变量变化时数据分布的变化所导致的问题提出了解决方案,即通过基于静态分布的最优决策来解决。同时,为了提高算法效率,研究者将典型的随机优化算法应用在了这种问题上,并提供了收敛性保证和性能评估,最终提出了增 - 有状态世界中的执行预测
本文提出了一个理论框架,建模了目标人群对已部署分类器的响应,同时研究了基于重复风险最小化和一种更懒惰的方法的两个重新训练算法的收敛性,能够更好的控制已部署分类器的影响,同时探讨了不同人群获取信息和资源的差异对已部署分类器的响应影响。
- 演绎预测的随机优化
本文研究了在执行预测中采用随机优化的问题,证明了在梯度下降中使用贪心和懒惰部署模型的收敛速度,并通过实验分析了两种方法的平衡点和最优情况。
- ICML执行式预测
文章探讨了预测可能影响其预测目标的可执行性预测,并提出了一种风险最小化框架,引入了统计学、博弈论和因果性的概念,并给出了最小化损失的稳定点的必要和充分条件。在全面性上,表现性预测严格包含战略分类设置,并给出了克服战略反馈效应的重新培训的首个