预测多重性下的追索优化

arXiv:2611.05774v1 公告类型：新提交 摘要：算法追索旨在找出能够将不利模型预测转变为有利预测的修改方案。在预测多重性下，性能相近的模型可能对个体给出不同的预测，因此对一个模型有效的追索方案可能对另一个模型失效。我们将预测多重性下的鲁棒追索形式化为一个受预算约束的优化问题，目标是最小化竞争模型集合中的最坏情形有效性损失；该集合可包含具有不同架构或来自不同假设类的模型。我们提出了一种名为 ORPM 的预言机高效算法，并证明了其收敛的充分条件。我们在一个合成数据集和五个真实数据集上评估了 ORPM，竞争模型集合由线性模型、神经网络模型、混合模型和决策树模型构成。实验表明，在许多测试设置中，优化间隙界逐渐缩小，且追索有效率较高；与针对特定模型类或架构设计的基线方法相比，ORPM 表现良好。我们还量化了在给定预算下，要求对各竞争模型采取同一行动会如何改变追索成功率，并考察了不同人口群体之间的成功率差异。