覆盖-有效性感知的算法补救
机器学习
2025-01-27 v2 最优化与控制
摘要
算法补救作为一种促进机器学习模型可解释性、透明度和伦理性的重要技术而出现。现有的算法补救方法通常假设预测模型不变；然而，预测模型通常会在新数据到来时更新。因此，相对于当前模型有效的补救对于未来模型可能变得无效。为解决此问题，我们提出了一种新框架，以生成对模型偏移具有鲁棒性的模型无关补救。我们的框架首先构建非线性（黑盒）模型的覆盖-有效性感知线性代理；然后，相对于该线性代理生成补救。我们建立了覆盖-有效性感知线性代理与极小极大概率机（MPM）之间的理论联系。随后我们证明，通过指定不同的协方差鲁棒性，所提框架可恢复 MPM 的流行正则化，包括 -正则化和类别重加权。此外，我们展示我们的代理直观地推动了近似超平面，不仅促进了鲁棒而且可解释的补救。数值结果证明了我们框架的有用性和鲁棒性。
引用
@article{arxiv.2311.11349,
title = {Coverage-Validity-Aware Algorithmic Recourse},
author = {Ngoc Bui and Duy Nguyen and Man-Chung Yue and Viet Anh Nguyen},
journal= {arXiv preprint arXiv:2311.11349},
year = {2025}
}