关于既能博弈又能提升的策略型智能体的分类
计算机科学与博弈论
2022-03-02 v1 机器学习
摘要
在本文中，我们考虑对既能博弈又能提升的智能体进行分类。例如，希望获得贷款的人可能采取一些提高其感知信用度、同时也提高其真实信用度的行动。决策者希望定义一个分类规则，使其具有较少的假阳性（不发放许多不良贷款），同时产生许多真阳性（发放许多良好贷款），其中包括鼓励智能体在可能的情况下提升自身成为真阳性。我们考虑该问题的两个模型，一个一般离散模型和一个线性模型，并证明了各自的算法、学习与困难性结果。对于一般离散模型，我们给出了在无非阳性约束下最大化真阳性数量问题的有效算法，并展示了如何将其扩展到部分信息学习设定。我们还展示了在假阳性数量非零约束下最大化真阳性数量问题是困难的，并且该困难性即便在我们线性模型的有限点版本中也成立。我们还展示了在我们完整线性模型中，在无非阳性约束下最大化真阳性数量是 NP 困难的。我们还提供了一个算法，用于判定是否存在一个线性分类器能准确分类所有智能体并使所有可提升智能体获得资格，并给出了针对低维数据的额外结果。
引用
@article{arxiv.2203.00124,
title = {On classification of strategic agents who can both game and improve},
author = {Saba Ahmadi and Hedyeh Beyhaghi and Avrim Blum and Keziah Naggita},
journal= {arXiv preprint arXiv:2203.00124},
year = {2022}
}