关键词strategic classification
搜索结果 - 14
- 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 - 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。
- 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 - 未知成本下的一次性战略分类
在策略分类中，我们研究了在一次性场景下未知响应的策略分类问题，通过最小化最坏情况下的风险来确定最优的分类器，并提出了高效的算法以及对于成本函数的双范数正则化的重要性。
- 校准的斯塔克伯格博弈：对抗校准智能体的最优化承诺学习
本文介绍了一种扩展标准 Stackelberg Games 框架的模型：Calibrated Stackelberg Games (CSGs)，同时引入了更强的校准概念 —— 自适应校准，给出了一般性方法来获得自适应校准算法，并将其应用于诸 - 未知个性化操纵下的战略分类
本研究研究了战略分类中的基本错误界限和样品复杂性，其中代理可以在一定程度上战术地操纵其特征向量，以便被预测为积极，我们考虑个性化的操纵，并提供在线错误界限和 PAC 样品复杂性。
- AAAI战略分类的学习损失
本文研究了利用学习理论来生成具有鲁棒性的决策规则，以及针对机器学习领域中存在的潜在的策略操纵问题，提出了一种新的损失函数，称为策略操纵损失，分析了在已知操纵网络结构和未知操纵网络结构下的学习样本复杂度，并且基于迁移学习技术，定义了一种相似度 - 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。
- 战略分类中谁主导谁跟随？
本文针对战略分类中的决策者和策略代理人的适应行为，通过引入双方适应行为的相对频率，证明了决策者较快地更新可以改变角色顺序，从而导致代理人领导，决策者跟随，并进一步展示了决策者在某些更新频率下可诱导收敛于任何角色顺序下的 Stackelber - 战略分类实践
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。
- 战略分类的 PAC-Learning
本文通过引入战略 VC 维来推广对敌方攻击机器学习模型的研究，并针对基本的线性分类问题实例化了该框架。研究结果表明，线性分类器的 SVC 总是被其标准 VC 维上界所限制。
- 随机性和噪声在战略分类中的作用
我们研究了在战略分类设置下设计最优分类器的问题，在这种设置下，分类是游戏的一部分，玩家可以修改其特征以获得有利的分类结果 (同时承担一些成本)。我们的研究主要贡献是：1. 如果目标是最大化分类过程的效率 (定义为准确性减去合格玩家操纵其特征 - ICML因果策略线性回归
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 - 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