Shoiuld Humans Lie to Machines: The Incentive Compatibility of Lasso and General Weighted Lasso
人类应向机器谎报信息吗？Lasso 与一般加权 Lasso 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦高维预测的策略性报告与激励相容，未明确研究所列离散选择或结构估计模型。
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
人类应向机器谎报信息吗？Lasso 与一般加权 Lasso 的激励相容性
- 研究问题
- 当用户可向预测系统谎报自身属性以影响推荐结果时，Lasso 在什么大样本条件下能够使如实报告成为无须偏离的选择？
- 方法与思路
- 作者使用高维统计工具给出 Lasso 激励相容的充分条件，将分析扩展至 Conservative Lasso，并推导该加权估计量的新矩界。
- 材料陈述的贡献
- 摘要称调参值保持在某一阈值以上可实现相应条件下的激励相容，并以模拟说明实践设置，同时提供加权 Lasso 的矩界结果。
- 阅读关注点
- 核对用户目标、可谎报的变量及信息结构，明确激励相容的渐近含义，并检查调参阈值与预测表现之间是否存在权衡。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出阈值表达式和完整条件，不能将大样本保证推广到所有预测系统。
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 large samples. We extend our results to the Conservative Lasso estimator and provide new moment bounds for this generalized weighted version of Lasso. Our results show that incentive compatibility is achieved if the tuning parameter is kept above some threshold. We present simulations that illustrate how this can be done in practice.