战略学习中的可取努力公平性与最优性之间的取舍
计算机科学与博弈论
2025-10-23 v1 计算机与社会
摘要
战略学习研究决策规则如何与可能策略性改变其输入/特征的代理人进行交互。在标准设置中，模型假设决策者唯一的范围是学习一个最大化目标（如准确率）的分类器，假设代理人作出最佳响应。然而，现实决策系统的目标不仅仅是生产良好的预测。它们可能考虑诱导特定激励的外部效应，这相当于使某些特征的改变被视为更可取。此外，principal 也可能需要在异构代理之间公平地激励可取的特征变化。这种受限优化（即最大化目标，但限制代理人的激励差异）对 principal 造成了多少成本？我们提出了统一的principal-agent交互模型，捕捉了以下三个额外组件之间的这种权衡：（1）特征之间的因果依赖关系，使得一个特征的变化影响其他特征；（2）代理人之间的异构操纵成本；（3）通过代理人推断 principal 的规则的同伴学习。我们为多个广泛的公平性度量类别提供了principal 最优性损失受特定可取性公平性容忍度约束的理论保证。最后，通过在真实数据集上的实验，我们展示了在提高准确率和公平性之间实现可取性努力的明确权衡。
引用
@article{arxiv.2510.19098,
title = {Desirable Effort Fairness and Optimality Trade-offs in Strategic Learning},
author = {Valia Efthymiou and Ekaterina Fedorova and Chara Podimata},
journal= {arXiv preprint arXiv:2510.19098},
year = {2025}
}