抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習技術は,信用承認と大学入院のような応用に有用である。しかしながら,そのような文脈においてより有利に分類されるためには,エージェントは,悪い試験スコアのようないくつかの患者の特徴を戦略的に隠すことを決定するかもしれない。これは,特定の分類器が特定の特徴値を持つためにインセンティブを創り出すかもしれないので,データが欠落しているというねじれを伴う欠測データ問題である。この挙動に対してロバストである訓練分類器の問題に取り組んだ。3つの分類法を設計した:{Mincut},{Hill-Climbing}({HC})およびIncentrive-Compatableロジスティック回帰({IC-LR})。データの真の分布が十分に知られているとき,{Mincut}が最適であることを示した。しかし,それは複雑な決定境界を作り出すことができ,したがって,いくつかの場合で過剰適合する傾向がある。真の分類器(すなわち,戦略的に隠された特徴にインセンティブを与えないもの)の特徴付けに基づいて,著者らは,収束する特殊化した丘登り手順を用いて訓練された,ボックス外分類器の階層的集合から成る{HC}と呼ばれるより単純な代替案を考案した。いくつかの理由で,{Mincut}と{HC}は,多数の補完的な有益な特徴を利用するのに有効でない。この目的のために,戦略的にドロップ特徴に対するインセンティブを除去するロジスティック回帰の修正である{IC-LR}を示した。また,このアルゴリズムは実世界データセットの実験で良好に機能し,異なる設定での相対的性能への洞察を示した。【JST・京大機械翻訳】