PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.30136v1cs.LG

의사결정 의존적 비용 불확실성 하에서의 강건한 전략적 분류

Robust Strategic Classification under Decision-Dependent Cost Uncertainty

알고리즘 의사결정 시스템에서 에이전트들이 입력 데이터를 조작하는 전략적 분류(strategic classification) 문제를 다루되, 기존 연구와 달리 오늘의 분류기 결정이 미래의 조작 비용에 영향을 미치는 의사결정 의존적 불확실성을 2단계 강건 최적화(two-stage robust optimization) 프레임워크로 형식화한다. 제안된 방법은 정책 의존적 비용을 인식함으로써 불확실성을 줄이는 동시에 시간에 따른 알고리즘 시스템의 게이밍을 더 효과적으로 억제함을 이론적·수치적으로 보인다.

arXiv:2606.28204v1cs.GT

비선형 전략적 분류의 실용화

Non-Linear Strategic Classification Made Practical

전략적 분류(Strategic Classification)에서의 알고리즘 개발은 대부분 선형 분류기에 국한되어 있었으며, 이러한 설정에서는 최적 반응(best response)이 폐형(closed-form) 해법을 갖거나 쉽게 근사될 수 있는 경우에 한정되었다. 일부 연구는 전략적 설정에서 비선형 분류기의 역할을 탐구해 왔지만, 이 방향의 진전은 전략적 행동(strategic behaviour)의 계산적 난해성(intractability)으로 인해 저해되어 왔다. 이를 해결하기 위해, 우리는 라그랑지 이중성(Lagrangian duality)을 활용하여 최적 반응을 근사하는 새로운 방법을 제시한다. 전략적 반응을 제약 최적화(constrained optimisation) 문제로 재구성함으로써, 1차 최적화(first order optimisation) 방법에 적합한 라그랑지안을 구성할 수 있다. 이 접근법은 선형 설정에서 폐형 전략적 행동을 재현하며, 비선형 설정에도 직관적으로 적용할 수 있다. 우리는 분류기 학습 중 암시 함수 정리(Implicit Function Theorem)를 제안한 반응 formulation과 함께 사용하여 손실의 전체 그래디언트를 계산하는 방법을 보인다. 이는 분류기 파라미터를 그에 따른 전략적 행동과 직접 연결하여, 이러한 관계를 활용할 수 있는 새로운 학습 알고리즘을 산출한다. 실험 평가(evaluation) 결과, 이렇게 얻은 모델은 일반적인 머신러닝 데이터셋(dataset)에서 향상된 전략적 정확도(strategic accuracy)를 달성한다.

arXiv:2606.18867v1cs.LG

전략적 특징 선택

Strategic Feature Selection

고위험 자원 배분에서 입력 특징의 전략적 조작을 다루기 위해 특징 선택과 Ridge 정규화의 상호작용을 형식화하고, 조작 가능성만으로 개별 특징을 제외하는 방식이 일반적으로 최적이 아님을 이론적으로 보입니다. 특징 집합과 정규화 수준을 공동 선택하는 알고리즘을 제안했으며, 의료 지불 벤치마크에서 조작 후 MSE를 기존 방식 대비 크게 낮추는 효과를 확인했습니다.

arXiv:2602.06257v2cs.LG

온라인 전략적 분류에서의 무작위 알고리즘에 관하여

On Randomized Algorithms in Online Strategic Classification

온라인 전략적 분류(online strategic classification)는 에이전트들이 유리한 예측을 얻기 위해 자신의 특성을 전략적으로 수정하는 설정을 연구한다. 예를 들어, 신용 점수를 기반으로 대출 승인 여부를 결정하는 분류기가 주어졌을 때, 신청자들은 긍정적인 예측을 얻기 위해 신용카드나 은행 계좌를 개설하거나 닫을 수 있다. 학습 목표는 이러한 행동에도 불구하고 낮은 오류 또는 후회(regret) 경계를 달성하는 것이다. 무작위 알고리즘은 전략적 설정에서 학습기에 이점을 제공할 잠재력을 지니고 있음에도 불구하고, 지금까지 충분히 탐구되지 않았다. 실현 가능(realizable) 설정에서는 무작위 알고리즘에 대한 하한이 알려져 있지 않으며, 결정론적 학습기에 대한 기존 하한 구성은 무작위화로 우회될 수 있다. 애그노스틱(agnostic) 설정에서는 알려진 최선의 후회 상한이 $O(T^{3/4}\log^{1/4}T|\mathcal H|)$이며, 이는 표준 온라인 학습률 $O(\sqrt{T\log|\mathcal H|})$에 훨씬 못 미친다. 본 연구에서는 두 설정 모두에서 온라인 전략적 분류에 대한 정제된 경계를 제시한다. 우리의 경계는 가설 클래스 $\mathcal H$의 Littlestone 차원 $\mathrm{Ldim}(\mathcal H)$와 조작 그래프의 최대 차수 $\Delta$에 의존한다. 실현 가능 설정에서는 $T > \mathrm{Ldim}(\mathcal H) \Delta^2$인 경우, 결정론적 학습기에 대한 기존 하한 $\Omega(\mathrm{Ldim}(\mathcal H) \Delta)$를 모든 학습기로 확장한다. 이를 통해 무작위 학습기에 적용되는 최초의 하한을 도출한다. 그런 다음 알려진 (결정론적) 상한 $O(\mathrm{Ldim}(\mathcal H) \cdot \Delta\log \Delta)$를 개선하는 최초의 무작위 학습기를 제시한다. 애그노스틱 설정에서는 후회 상한을 $O(\sqrt{T\log|\mathcal H|})$로 개선하는 비정칙(improper) 무작위 학습기를 제시하며, 이는 표준 온라인 학습률과 일치한다. 또한 모든 정칙(proper) 학습 규칙에 대해 더 큰 하한을 보여, 최적 학습률을 달성하기 위해 비정칙성이 필수적임을 입증한다.