在结果可执行性下制定决策

决策者常依据数据驱动的预测采取行动，以期获得有利结果。在此类场景中，预测并非被动地预报未来；相反，预测会主动塑造其所欲预测结果的分布。这种可执行预测（performative prediction）设定为学习“最优”决策规则带来了新挑战。特别地，现有解概念未能解决准确预测结果与引导个体达成理想结果这两大目标之间明显的张力。为应对该问题，我们引入一种新最优性概念——可执行全能预测（performative omniprediction），其改编自监督式（非可执行）学习设定。可执行全能预测器是一种单一预测器，可同时编码针对多个可能相互竞争目标的最优决策规则。我们的主要结果表明，在我们对可执行预测所作的自然限制（称为结果可执行性）下，高效的可执行全能预测器是存在的。在技术层面，我们的结果通过仔细将结果不可区分性（outcome indistinguishability）概念推广至结果可执行设定而得出。从恰当的 Performative OI 概念出发，我们恢复了监督设定中已知的诸多结论，例如全能预测与普遍适应性。