Should Humans Lie to Machines? The Incentive Compatibility of Lasso and GLM Structured Sparsity Estimators
人应当向机器谎报吗？Lasso 与广义线性结构稀疏估计的激励相容性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究机器学习预测中的策略性报告与激励相容，未提供归入所列计量细分方向的充分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
人应当向机器谎报吗？Lasso 与广义线性结构稀疏估计的激励相容性
- 研究问题
- 研究用户向预测其最佳选项的机器学习方法报告属性时，何种条件能使其没有谎报协变量的激励。
- 方法与思路
- 作者借助高维统计工具推导 Lasso 渐近激励相容的充分条件，并将分析推广到广义线性模型结构稀疏估计。
- 材料陈述的贡献
- 摘要称在相应渐近条件下，将调节参数保持在某个阈值以上可以实现激励相容；未给出阈值的具体表达式。
- 阅读关注点
- 应核对用户目标、可谎报属性范围和渐近框架，以及调节参数阈值如何影响预测误差与激励相容保证。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断阈值大小或有限样本激励保证，也不能推断后续刊本变化。
原文摘要
We consider situations where a user feeds her attributes to a machine learning method that tries to predict her best option based on a random sample of other users. The predictor is incentive-compatible if the user has no incentive to misreport her covariates. Focusing on the popular Lasso estimation technique, we borrow tools from high-dimensional statistics to characterize sufficient conditions that ensure that Lasso is incentive compatible in the asymptotic case. We extend our results to a new nonlinear machine learning technique, Generalized Linear Model Structured Sparsity estimators. Our results show that incentive compatibility is achieved if the tuning parameter is kept above some threshold in the case of asymptotics.