Distributionally Robust Performative Prediction

要約

パフォーマティブ予測は、予測結果が対象となるシステムそのものに影響を与えるシナリオをモデル化することを目的としています。
パフォーマティブ最適化 (PO) の追求、つまりパフォーマティブ リスクの最小化は、一般に分布マップのモデリングに依存します。分布マップは、展開された ML モデルがデータ分布をどのように変更するかを特徴づけます。
残念ながら、分布マップの避けられない誤った仕様により、真の PO の近似が不十分になる可能性があります。
この問題に対処するために、分布的にロバストなパフォーマンス予測の新しいフレームワークを導入し、分布的にロバストなパフォーマンス最適化 (DRPO) と呼ばれる新しいソリューション概念を研究します。
名目分布図が実際の分布図と異なる場合に、真の PO への堅牢な近似として DRPO に対する証明可能な保証を示します。
さらに、分布的に堅牢なパフォーマンス予測を拡張パフォーマンス予測問題として再定式化することができ、効率的な最適化が可能になります。
実験結果は、分布マップがミクロレベルまたはマクロレベルで誤って指定された場合に、DRPO が従来の PO アプローチよりも潜在的な利点を提供することを示しています。

要約(オリジナル)

Performative prediction aims to model scenarios where predictive outcomes subsequently influence the very systems they target. The pursuit of a performative optimum (PO) — minimizing performative risk — is generally reliant on modeling of the distribution map, which characterizes how a deployed ML model alters the data distribution. Unfortunately, inevitable misspecification of the distribution map can lead to a poor approximation of the true PO. To address this issue, we introduce a novel framework of distributionally robust performative prediction and study a new solution concept termed as distributionally robust performative optimum (DRPO). We show provable guarantees for DRPO as a robust approximation to the true PO when the nominal distribution map is different from the actual one. Moreover, distributionally robust performative prediction can be reformulated as an augmented performative prediction problem, enabling efficient optimization. The experimental results demonstrate that DRPO offers potential advantages over traditional PO approach when the distribution map is misspecified at either micro- or macro-level.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google