From Fairness to Infinity: Outcome-Indistinguishable (Omni)Prediction in Evolving Graphs

要約

専門的なネットワークは、紹介や紹介を通じて貴重な機会を提供します。
豊富な文献によれば、それらは特権と不利益の現状を固定化し、さらには悪化させることになる。
リンク形成を促す機能を備えた雇用プラットフォームは、有益な構造変化への魅力的な入り口を提供します。
この見通しの鍵は、進化するグラフにおけるエッジ形成の可能性を推定する能力であると予想されます。
結果の区別がつかない予測アルゴリズムにより、一連の統計テストによってモデル化された世界が現実世界と区別できないことが保証されます。
オムニプレディクターは、適切な後処理を使用して、予測を後処理して、同時に多くの損失に対して予測クラスのベンチマークと比較して競争力のある損失最小化を実現できることを保証します。
まず、Vovk (2007) のオンライン K29 スター アルゴリズムをわずかに修正した形式と、カーネル ヒルベルト空間の再現理論からの基本的な事実を組み合わせることで、結果の区別不能性と全方位予測を満たすシンプルで効率的なオンライン アルゴリズムを導き出すことができることを観察します。
現在知られているものを改善する、またはそれを補完する保証。
これは独立した関心事です。
これらの手法を進化するグラフに適用し、ノードのペアとその近傍のプロパティをキャプチャする豊富な (おそらく無限の) 識別子のセットに対するオンライン結果の区別がつかないオムニ予測子を取得します。
これにより、とりわけ、人口統計グループのペアに関するエッジ形成のマルチキャリブレーションされた予測が得られ、さまざまな社会福祉関数によって測定される損失を同時に最適化する機能が得られます。

要約(オリジナル)

Professional networks provide invaluable entree to opportunity through referrals and introductions. A rich literature shows they also serve to entrench and even exacerbate a status quo of privilege and disadvantage. Hiring platforms, equipped with the ability to nudge link formation, provide a tantalizing opening for beneficial structural change. We anticipate that key to this prospect will be the ability to estimate the likelihood of edge formation in an evolving graph. Outcome-indistinguishable prediction algorithms ensure that the modeled world is indistinguishable from the real world by a family of statistical tests. Omnipredictors ensure that predictions can be post-processed to yield loss minimization competitive with respect to a benchmark class of predictors for many losses simultaneously, with appropriate post-processing. We begin by observing that, by combining a slightly modified form of the online K29 star algorithm of Vovk (2007) with basic facts from the theory of reproducing kernel Hilbert spaces, one can derive simple and efficient online algorithms satisfying outcome indistinguishability and omniprediction, with guarantees that improve upon, or are complementary to, those currently known. This is of independent interest. We apply these techniques to evolving graphs, obtaining online outcome-indistinguishable omnipredictors for rich — possibly infinite — sets of distinguishers that capture properties of pairs of nodes, and their neighborhoods. This yields, inter alia, multicalibrated predictions of edge formation with respect to pairs of demographic groups, and the ability to simultaneously optimize loss as measured by a variety of social welfare functions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google