具有响应性决策主体的模型可迁移性

给定一个在某些由策略性人类决策主体构成的源群体上准确的算法预测器，如果群体对其作出响应，它是否仍保持准确？在我们的设定中，一个智能体或用户对应于从分布$\cal{D}$中抽取的样本$(X,Y)$，并将面对模型$h$及其分类结果$h(X)$。智能体可以修改$X$以适应$h$，这将导致$(X,Y)$上的分布偏移。我们的表述受到以下应用的启发：部署的机器学习模型面对人类智能体，并最终面临响应性和交互性的数据分布。我们通过研究在可用源分布（数据）上训练的模型性能如何转化到其诱导域上的性能，形式化了模型可迁移性的讨论。我们给出了由诱导域偏移引起的性能差距的上界，以及分类器在源训练分布或诱导目标分布上不得不承受的权衡的下界。我们针对两种流行的域适应设定（包括协变量偏移和目标偏移）提供了进一步的实例化分析。