Исследователи North Carolina State University представили инновационный инструмент обучения, призванный улучшить работу программ искусственного интеллекта (ИИ), учитывая фактор лжи со стороны пользователей при предоставлении личной информации. Этот инструмент разработан для ситуаций, когда пользователи имеют экономические стимулы скрывать правду, например, при подаче заявок на ипотеку или при попытке снизить страховые взносы.
Согласно сообщению, опубликованному на портале Journal of Business & Economic Statistics, новый инструмент нацелен на улучшение процесса обучения программ ИИ в ситуациях, когда у пользователей есть стимулы искажать предоставляемые атрибуты. Исследователи утверждают, что их инструмент может быть эффективно использован для предсказаний в таких сценариях, позволяя ИИ учитывать возможные искажения данных.
Как пояснили разработчики, инструмент базируется на популярной технике оценки Лассо и использует инструменты из многомерной статистики для характеризации достаточных условий, гарантирующих совместимость с данными стимулов. Они также расширили свои результаты на новые методы нелинейного машинного обучения, что дает возможность применения инструмента в различных ситуациях.
"Мы рассматриваем ситуации, когда пользователь передает свои атрибуты методу машинного обучения, который пытается предсказать лучший вариант на основе случайной выборки других пользователей. Предиктор является совместимым со стимулами, если у пользователя нет стимула искажать свои ковариаты. Сосредоточив внимание на популярной технике оценки Лассо, мы заимствуем инструменты из многомерной статистики, чтобы охарактеризовать достаточные условия, которые гарантируют, что Лассо совместимо по стимулам в асимптотическом случае. Мы распространили наши результаты на новый метод нелинейного машинного обучения — средства оценки структурированной разреженности обобщенной линейной модели. Наши результаты показывают, что совместимость стимулов достигается, если в случае асимптотики параметр настройки удерживается выше некоторого порога", — прокомментировали исследователи.
Этот новый инструмент обучения представляет собой значимый шаг в развитии программ ИИ, делая их более адаптивными к реальным условиям и улучшая качество принимаемых ими решений в ситуациях, где данные могут быть искажены.
