最坏的预测的价值：对Unai Fischer Abaigar的采访

在国际自动学习会议上（ICML2025）， Unai Fischer-Aabaigar，Christophe Cern。 和 胡安·卡洛斯·伯格罗（Juan Carlos Birdoro） 他因其工作而获得了杰出的纸质奖，这是预测其最坏情况的价值。我们从Unai听取了本文的主要贡献，以及为什么预测系统是一个令人兴奋的研究领域，以及他们在该领域计划的更多工作。

您的论文中的研究主题是什么？为什么这是一个有趣的研究领域？

我的工作重点是公共机构中用于做出有关人的高风险决策的预测系统。一个主要的例子是自定义资源，机构面临有限的能力，并且必须确定必须确定优先级的案件。想想一个就业办公室，求职者从长远来看，医院患者或可能确定案件以确保调查的欺诈调查人员决定最大的失业风险。

越来越多的机构采用大赦国际工具来支持其运营，但是这些工具的实际价值并不总是很清楚。从学术的角度来看，这个差距表明了寻找算法决策的奇妙方面，因为它驱使我们超越了预测算法。我们需要研究这些系统的设计，发布和包括在更广泛的决策过程中。在我们的工作中，我们问：从对河口奢侈品感兴趣的社会计划的角度来看，这些预测系统何时应得出这一点？有时，机构可以通过扩大能力来实现更大的收益，而不是投资于提高预测，例如，使用更多的案例专家并总体上治疗更多的案例。

您的工作的主要贡献是什么？

在很高的水平上，我们表明预测准确性的提高在极端方面是最有价值的：

当几乎有预测信号开始时，或
当系统几乎已经完美时。

但是，在机构具有一些预测信号的大型中间立场上，出于完全准确性，对能力提高的投资往往会对河流路线方向的效用产生更大的影响，尤其是在机构资源非常有限的情况下。换句话说，如果该机构面临狭窄的资源，那么将资源与最紧急情况完美匹配可能很重要，而最重要的是要扩大其提供的援助量。我们通过使用定型环境的简单理论模型找到了这些结果，然后用真实的政府数据强调它们。

您能给我们搅拌的概述吗？

我们使用一位参与者的作者在先前作品中提出的对预测的访问率的百分比。这个百分比比较了福利的增益，从而从略有改善的预测质量提高了能力，而预测质量的略有改善。直觉是机构很少从头开始重建系统。它们通常被认为是预算有限的边际改进。如果比率大于一个，则附加的价值单位比预测精度的额外单位更有价值，反之亦然。我们通过分析边际变化如何影响编码有风险个人河口的奢侈品的价值功能来管理这一想法。

失业的持续时间。 红线代表了用于将求职情节分类为德国长期失业的12个月阈值。

在本文中，详细介绍了一个案例研究，该案例研究决定了德国长期失业。该案例研究的主要结果是什么？

我们出现的是，尽管准备现实世界的理论愿景也没有经受住实验性数据的理论构想，但与该理论的所有简化假设并不相吻合（例如，在准备现实世界中，分布攻击在准备现实世界中很常见）。实际上，案例研究表明，在实践中，以能力改善为主导的系统往往更大，尤其是在考虑非本地改进时。

您在此领域计划的其他工作是什么？

我认为这是一个非常有前途的研究趋势：我们如何设计支持社会敏感领域中良好资源分配的算法？为了向前发展，我想将官方角色赋予“良好分配”在实际实践中意味着什么，并继续与机构合作，以在其真正的挑战中建立工作。也有许多重要的问题很重要：例如，我们如何确保算法完成，而不是限制，在案件专家中的酌处权和经验？在更广泛的规模上，我们需要仔细考虑可以在算法系统中提取的机构过程的部分，以及人类规则仍然重要的地方。

关于Unai

Unai Fischer Abaigar是LMU慕尼黑统计学的一名博士生，也是社会数据科学和AI实验室的成员，在Konrad Zuse Zuse卓越学校AI可靠和慕尼黑自动化中心的支持下。 2024年，他是哈佛大学工程和应用科学学院的来访同事。他拥有海德堡大学（Heidelberg University）的物理学学士学位和硕士学位，此前曾在柏林的Hertti学校数据科学实验室工作。