因果特征在战略分类中的作用：鲁棒性与对齐
机器学习
2026-05-27 v1 机器学习
摘要
在战略分类中，机构（例如银行）会预见用户会调整特征以提高在分类任务（例如贷款还款）中的效用。由于关键挑战在于由用户引起的分布迁移，我们转向因果模型，这些模型已被证明可以界定最坏情况的超出分布（OOD）风险，并在此基础上建立了若干新的结果，阐明了因果性与战略分类之间的关系。首先，我们表明在噪声受特定限制的情况下，因果分类在任何足够大的适应之后都可实现最优分类误差。其次，当这些假设不成立时，我们表明最优分类器的 OOD 交叉熵风险分解为 OOD 偏置项和源于未使用所有可观测特征的项，从而帮助理解在何种情况下因果分类器具有优势。最后，我们表明使用因果特征可以实现机构与用户之间长期激励的对齐，这与之前的工作相比，后者强调此类方法的社会成本。我们在合成数据上对理论进行实证验证，发现我们的结果在实践中能够预测行为。
引用
@article{arxiv.2605.27163,
title = {The Role of Causal Features in Strategic Classification for Robustness and Alignment},
author = {Antonio Gois and Sophia Gunluk and Nir Rosenfeld and Nidhi Hegde and Simon Lacoste-Julien and Dhanya Sridhar},
journal= {arXiv preprint arXiv:2605.27163},
year = {2026}
}
备注
Accepted at AISTATS 2026. 20 pages, 5 figures