当个体理性投资时算法决策的差异化均衡

算法决策的长期影响由已部署的决策规则与个体响应之间的动态关系所塑造。聚焦于每个个体都期望获得正向分类的场景——包括招聘、学校招生等许多重要应用——我们研究了一种动态学习设定：个体基于其所属群体的期望收益进行正向结果的投资，而决策规则则被更新以最大化机构收益。通过刻画这些动态的均衡，我们表明，由于群体间的异质性以及不可实现性（lack of realizability）的缺失，理想长期结果会面临天然的挑战。我们考虑两种干预措施：按群体解耦决策规则与补贴投资成本。我们证明，在可实现的情形下，解耦能实现最优结果，但在其他情形下可能产生依赖于初始条件的差异效应。相比之下，即便在缺乏可实现性的情况下，补贴投资成本也被证明能为弱势群体制造更好的均衡。