ترجمه فارسی مقاله محدودیت های بازآموزی مدل در مواجهه با عملکرد

چکیده

We study stochastic optimization in the context of performative shifts, where the data distribution changes in response to the deployed model. We demonstrate that naive retraining can be provably suboptimal even for simple distribution shifts. The issue worsens when models are retrained given a finite number of samples at each retraining step. We show that adding regularization to retraining corrects both of these issues, attaining provably optimal models in the face of distribution shifts. Our work advocates rethinking how machine learning models are retrained in the presence of performative effects.

چکیده به فارسی (ترجمه ماشینی)

ما بهینه سازی تصادفی را در زمینه تغییرات عملکرد ، که در آن توزیع داده ها در پاسخ به مدل مستقر تغییر می کند ، مطالعه می کنیم.ما نشان می دهیم که بازآموزی ساده لوح حتی برای تغییر توزیع ساده می تواند به طور قابل توجهی زیر حد باشد.این مسئله هنگامی که مدلها با توجه به تعداد محدودی از نمونه ها در هر مرحله از آموزش ، بازآفرینی می شوند ، بدتر می شود.ما نشان می دهیم که اضافه کردن منظم برای بازآموزی ، هر دو این موضوع را تصحیح می کند ، و در مقابل تغییر توزیع ، به مدل های بهینه و بهینه رسیده است.طرفداران کار ما تجدید نظر می کنند که چگونه مدل های یادگیری ماشین در حضور اثرات عملکردی دوباره آموزش می یابند.