机构名称：
¥ 2.0
人类已经依靠机器将过多的信息减少到可管理的代表。但是可以滥用这种依赖 - 战略机器可能会制作来操纵用户的表示。用户如何根据战略表示做出好选择？我们将其形式化为学习问题，并追求算法进行决策，这些算法是可靠的。在我们关注的主要设置中，系统将项目的属性表示给用户，然后决定是否消耗。我们通过策略分类的镜头对这种相互作用进行建模（Hardt等人2016），反转：学习，首先播放的用户；响应的系统排名第二。系统必须以揭示“除了真理”但不必透露整个真理的表示形式做出响应。因此，用户面临着在战略子集选择下学习设置功能的问题，该问题呈现出不同的算法和统计范围。我们的主要结果是一种学习算法，尽管具有战略性代表，但可以最大程度地减少错误，而我们的理论分析阐明了学习工作和操纵性的知名度之间的权衡。
战略代表
主要关键词
相关文件推荐
