Quand les prédictions du modèle éclairent la prise de décision en aval, une question naturelle
est dans quelles conditions les décideurs peuvent-ils simplement répondre aux
prédictions comme s'il s'agissait des véritables résultats. L'étalonnage suffit à
garantir que la meilleure réponse simple aux prédictions est optimale. Cependant,
l'étalonnage pour les espaces de résultats de prédiction de grande dimension nécessite une exponentielle
complexité informatique et statistique. L'assouplissement récent connu sous le nom de
l'étalonnage des décisions garantit l'optimalité de la règle simple de la meilleure réponse
tout en ne nécessitant qu'une complexité d'échantillon polynomiale dans la dimension des résultats.
Cependant, les résultats connus en matière d’étalonnage et d’étalonnage décisionnel reposent de manière cruciale sur
sur les fonctions de perte linéaires pour établir l'optimalité de la meilleure réponse. Un naturel
L'approche pour gérer les pertes non linéaires consiste à mapper les résultats $y$ dans un espace de fonctionnalités
$\phi(oui)$ de dimension $m$, puis approximez les pertes avec des fonctions linéaires de
$\phi(oui)$. Malheureusement, même de simples classes de fonctions non linéaires peuvent exiger
dimensions de caractéristiques exponentiellement grandes ou infinies $m$. Un problème clé ouvert est
s'il est possible de réaliser un calibrage de décision avec la complexité de l'échantillon
indépendant de~$m$. On commence par un résultat négatif: même vérifier la décision
l'étalonnage sous la meilleure réponse déterministe standard nécessite intrinsèquement
polynôme de complexité de l'échantillon en ~$m$. Motivé par cette borne inférieure, nous
étudier une version fluide de l'étalonnage des décisions dans laquelle les décideurs
suivre une meilleure réponse fluide. Cette relaxation douce permet une
algorithmes d'étalonnage de décision. Nous introduisons des algorithmes qui, donné
$\mathrm{poly}(|UN|,1/\épsilon)$ échantillons et tout prédicteur initial~$p$, peut
post-traitez-le efficacement pour satisfaire l'étalonnage de la décision sans aggraver
précision. Nos algorithmes s'appliquent largement aux classes de fonctions qui peuvent être
bien approximé par les fonctions de norme bornée dans (peut-être de dimension infinie)
RKHS séparable.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: