Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 예방적 지원을 계획하는 주체가 누구에게, 언제 도움을 줄지 결정할 때 발생하는 상충 관계를 분석합니다. 특히 '기다림'이라는 행위가 위험 모멘트를 식별하며 추가 기간당 두 개의 새로운 정보를 얻는다는 것을 수학적으로 증명했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기예방적 지원에 고정된 예산을 가진 계획자는 누구에게, 언제 도움을 줄지 결정해야 한다. 기다리는 행위는 위험을 드러내지만, 더 높은 위험을 가진 개인이 먼저 떠나면서 개입 기회를 제거한다. 우리는 반복되는 노이즈 신호와 위험 의존적 이탈 하에서 이러한 상충 관계를 특성화한다: 표준 모델에서 길이-$ au$의 관측 접두사는 $j=0,\ldots,2\tau-1$에 대한 잠재적 위험 모멘트 $m_j=\mathbb E[p^j]$를 정확히 식별하며, 추가 기간당 두 개의 새로운 모멘트를 구매한다. 이들은 생존자들 사이의 평균 다음 기간 이탈을 식별하지만, 할당 복지나 치료 우선순위가 지정된 사람들의 이탈까지는 식별하지 못한다. 우리의 관측적으로 동등한 구성은 고정된 관측 길이에서 모든 표본 크기에 걸쳐 피할 수 없는 타이밍 후회(timing regret)를 확립하는 반면, 정확한 증명들은 모든 호환 가능한 인구가 고유한 최적 날짜를 공유하는지 여부를 결정한다. 매칭 실험들은 추정(estimation), 부트스트랩 평균화(bootstrap averaging), 그리고 후회 가중치(regret weighting)의 효과를 분리한다. 더 긴 관측은 종종 타이밍 모호성을 해결하지만, 최적 날짜는 이미 지났을 수 있다. 우리의 실험에서, 부트스트랩 평균화와 조기 중단은 결정을 개선하는 반면, 후회 가중치는 통합된 평균 제곱 후회(pooled mean squared regret)에 어떠한 개선도 추가하지 못한다: 더 나은 통계적 적합도가 더 나은 할당 복지를 가져야 하는 것은 아니다. 코드와 아티팩트는 https://github.com/KurbanIntelligenceLab/waiting-buys-two-moments에서 이용 가능하다.