跳到主要内容
检索

Denise Tampieri

1 篇关联报道

订阅更新
  1. 算法补救不再假设因果模型已知:向用户追问十次干预,线性场景下代价逼近真实模型

    当机器学习给出不利决定时,算法补救要告诉当事人改什么才有用,但现有因果补救方法默认已知支配个人特征的因果模型。一种人在回路框架改为向用户提出若干次软干预问题,用贝叶斯推断从带噪回答中估计该用户的结构因果模型,再据此求最省力的补救动作。在线性合成模型上,估计模型给出的补救在有效性和代价上接近真实模型,并优于仅靠先验的非因果基线;在非线性模型上有效性下降,代价仍低于基线。

已读完全部报道