因果战略分类：两种偏移的故事
机器学习
2023-06-12 v3
摘要
当用户能从某些预测结果中获益时，他们可能倾向于采取行动以实现这些结果，例如通过策略性地修改其特征。因此，战略分类的目标是训练对此类行为鲁棒的预测模型。然而，传统框架假设改变特征不会改变实际结果，将用户描绘为“博弈”系统。此处我们去除该假设，研究真实结果确实会改变的因果战略环境中的学习。以准确率为主要目标，我们展示了战略行为与因果效应如何构成两种互补的分布偏移形式。我们刻画了这些偏移，并提出了一种随时间在两种力量间取得平衡且支持端到端训练的学习算法。在合成与半合成数据上的实验证明了我们方法的效用。
引用
@article{arxiv.2302.06280,
title = {Causal Strategic Classification: A Tale of Two Shifts},
author = {Guy Horowitz and Nir Rosenfeld},
journal= {arXiv preprint arXiv:2302.06280},
year = {2023}
}