arXiv cs.AI· Linus K\"uhne, Felix Schur, Jonas Peters·· 10 小时前AI 评分24
预测-干预博弈与不变集：基于稳定毯的预测策略研究
Prediction-Intervention Games and Invariant Sets
AI 导读
研究者提出“预测-干预博弈”这一Stackelberg博弈特例：领导者用观测数据选择预测函数，追随者随后对结构因果模型中的协变量施加干预以最大化自身目标。论文证明，对两类常见追随者目标，基于不变子集“稳定毯”的预测器至少不劣于基于因果父节点的预测器，并给出稳定毯预测器达到最坏情况最优的充分条件。研究还讨论了图已知与未知情形下的实用策略，并在模拟与真实数据上进行了测试。
正文 · AI 翻译
摘要：我们考虑以下两人博弈：领导者利用观测数据，从给定协变量中选择响应变量 $Y$ 的预测函数。随后，跟随者通过干预底层结构因果模型中的某些协变量来做出反应，以最大化自身目标。领导者知道干预目标，但对跟随者目标的了解可能有限。我们将此设定称为预测-干预博弈，它是 Stackelberg 博弈的一个特例。为领导者寻找最优策略通常很困难。为避免严重的性能损失，领导者可以将其预测建立在 $Y$ 的因果父节点上，或更一般地，建立在协变量的不变子集上。我们证明，对于两类常见的跟随者目标，基于稳定毯（一个不变子集）的预测器至少与基于因果父节点的预测器一样好。我们进一步用允许干预下的最坏情况风险来界定领导者的干预后风险，并强化现有的分布泛化结果以分析该界：我们给出了稳定毯预测器在最坏情况下最优的充分条件，并通过示例表明这些条件一般不能被去掉。最后，我们讨论了图已知和图未知情形下的实用策略，并在模拟数据和真实数据上进行了测试。
| 主题： | 机器学习（stat.ML）；人工智能（cs.AI）；机器学习（cs.LG）；方法论（stat.ME） |
| 引用为： | arXiv:2605.16828 [stat.ML] |
| （或 arXiv:2605.16828v2 [stat.ML] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.16828 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Linus Kühne [查看电子邮件]
[v1]
2026年5月16日星期六 06:15:41 UTC（4,192 KB）
[v2]
2026年11月4日星期三 13:54:16 UTC（4,223 KB）
来源：arXiv cs.AI · arxiv.org