arXiv cs.CY· Gabriele Farina, Juan Carlos Perdomo·· 11 小时前AI 评分31
在线算法在表演性预测中的稳定性
The Stability of Online Algorithms in Performative Prediction
AI 导读
一项无条件归约证明：部署在表演性预测环境中的任何 no-regret 算法都会收敛到混合表演性稳定均衡，即模型主动塑造数据分布、使其自身预测事后看来最优。此前该领域的正面结果均需对模型影响分布的方式施加强限制，该工作借助鞅论证并允许随机化，绕开了确定性稳定模型一般 PPAD-hard 的近期硬度结果。作者还指出，这一联系解释了梯度下降等常见算法为何天然具有稳定作用、可防止反馈失控。
正文 · AI 翻译
摘要：在决策中使用算法预测会形成一个反馈循环：我们部署的模型会主动影响我们所看到的数据分布，而这些数据随后又被用于重新训练。Perdomo 等人于 2020 年在关于表演性预测（performative prediction）的工作中将这一动态形式化。我们的主要结果是一个无条件归约，表明任何部署在表演性环境中的无遗憾算法都会收敛到一个（混合）表演性稳定均衡：在该解中，模型以某种方式主动塑造数据分布，使得其自身的预测在事后看来是最优的。在我们之前的工作中，该领域的所有正面结果都对模型影响分布的方式施加了严格限制。通过使用鞅论证并允许随机化，我们避免了对种群如何响应预测的任何假设，并绕开了近期的一些困难性结果——这些结果表明，确定性的稳定模型通常是 PPAD 困难的。最后，从更概念化的角度来说，我们的联系揭示了为什么像梯度下降这样的常见算法天然具有稳定作用，并能防止失控的反馈循环。我们希望我们的工作能够促成未来在线优化与表演性之间思想的技术迁移。
| 主题： | 机器学习（cs.LG）；计算机与社会（cs.CY）；计算机科学与博弈论（cs.GT）；机器学习（stat.ML） |
| 引用为： | arXiv:2602.24207 [cs.LG] |
| （或 arXiv:2602.24207v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.24207 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Juan Carlos Perdomo [查看电子邮件]
[v1]
2026年2月27日星期五 17:35:03 UTC（23 KB）
[v2]
2026年6月3日星期三 18:07:07 UTC（26 KB）
[v3]
2026年11月5日星期四 15:47:59 UTC（26 KB）
来源：arXiv cs.CY · arxiv.org