广义策略分类及激励一致情形下的研究
机器学习
2022-06-22 v2 人工智能
摘要
策略分类研究的是自利用户可策略性地修改其特征以获取有利预测结果环境下的学习问题。然而一个关键的工作假设是“有利”总意味着“正类”;这在某些应用(如贷款审批)中或许合适,但将用户利益的可能情形缩减为相当狭窄的视角。本工作中,我们主张以更广阔的视角看待何种情况构成策略性用户行为,并提出和研究一个灵活的广义策略分类模型。我们的广义模型囊括了大多数现有模型,但也包含其他新颖设定;其中,我们识别并针对一类引人入胜的子问题,其中用户与系统的利益是一致的。该设定揭示了一个令人惊讶的事实:标准最大间隔损失并不适合策略性输入。回到我们完全广义的模型,我们提出了一种实用且有效的策略学习新型最大间隔框架,并作了理论分析。我们以一组实验收尾,实证展示了我们方法的效用。
引用
@article{arxiv.2202.04357,
title = {Generalized Strategic Classification and the Case of Aligned Incentives},
author = {Sagi Levanon and Nir Rosenfeld},
journal= {arXiv preprint arXiv:2202.04357},
year = {2022}
}