Strategic Classification with Graph Neural Networks

要約

タイトル：グラフニューラルネットワークによる戦略分類

要約：
– 戦略分類は、ユーザーが好ましい予測を得るために自分の特徴を変更できる状況での学習を研究するものである。
– 多くの現在の研究は、独立したユーザー反応をトリガーする単純な分類器に焦点を当てている。
– 我々は、独立仮定を破るより緻密なモデルでの学習の意義を検討する。
– 戦略分類のアプリケーションが社会的なものであることから、ソーシャルな関係を使ったグラフニューラルネットワークに焦点を当てる。
– 学習用のグラフを使用することで、予測においてユーザー間の依存関係が導入され、戦略的ユーザーはこれを利用して自分の目標を促進することができる。
– 分析とシミュレーションを通じて、これはシステムに対して働くか、あるいは逆に働くかのいずれかであることが示される。
– これに基づいて、グラフベースの分類器の戦略的に堅牢な学習のための微分可能なフレームワークを提案する。
– いくつかの実際のネットワークデータセットでの実験により、私たちのアプローチの有用性が示された。

要約(オリジナル)

Strategic classification studies learning in settings where users can modify their features to obtain favorable predictions. Most current works focus on simple classifiers that trigger independent user responses. Here we examine the implications of learning with more elaborate models that break the independence assumption. Motivated by the idea that applications of strategic classification are often social in nature, we focus on \emph{graph neural networks}, which make use of social relations between users to improve predictions. Using a graph for learning introduces inter-user dependencies in prediction; our key point is that strategic users can exploit these to promote their goals. As we show through analysis and simulation, this can work either against the system — or for it. Based on this, we propose a differentiable framework for strategically-robust learning of graph-based classifiers. Experiments on several real networked datasets demonstrate the utility of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI