战略分类的替代性微观基础

在机器学习背景下推理战略行为时，很容易将理性主体的标准微观基础与分类背后的统计决策理论相结合。在本工作中，我们认为这些标准要素的直接结合会导致脆弱的解概念，其描述性和规范性价值有限。首先，我们表明具有完美信息的理性主体会对决策规则产生聚合响应中的不连续性，而我们在经验中往往观察不到这些不连续性。其次，当任意正比例的智能体并非完全战略化时，期望的稳定点——分类器对其所引发的数据最优之处——便不复存在。第三，标准微观基础下的最优决策规则在一类关于智能体行为的广泛假设中，最大化了一种称为社会负担的负外部性度量。认识到这些局限后，我们探索了用于二分类的标准微观基础的替代方案。我们首先描述了一组有助于在关于智能体如何响应决策规则的可能假设空间中导航的需求性质。特别地，我们分析了特征操控上的一个自然约束，并讨论了足以保证稳定点鲁棒存在的性质。基于这些见解，我们随后提出了噪声响应模型。受平滑分析和经验观察的启发，噪声响应纳入了智能体响应中的不完美性，我们证明这缓解了标准微观基础的局限。我们的模型保持了分析可处理性，得出了关于稳定点更鲁棒的见解，并在最优时施加了更低的社会负担。