Resumen Técnico: Teoría del Aprendizaje Performativo

1. Planteamiento del Problema

Los sistemas de aprendizaje automático han evolucionado de analizadores pasivos de datos a moldeadores activos del mundo. En muchos dominios, el despliegue de modelos predictivos influye en los mismos resultados que pretenden pronosticar, un fenómeno conocido como predicciones performativas (PP). Si bien trabajos previos (p. ej., Perdomo et al., 2020; Brown et al., 2022) han formalizado las PP y estudiado la estabilidad y optimalidad de los modelos bajo bucles de retroalimentación a nivel de población, persiste una brecha crítica: la generalización bajo performatividad.

Específicamente, la literatura existente no aborda adecuadamente qué tan bien se generalizan los modelos desde una muestra finita hacia una población cuando:

1. La muestra misma reacciona a las predicciones del modelo (p. ej., usuarios en una prueba beta que cambian su comportamiento basándose en las recomendaciones de una aplicación).
2. La población reacciona a las predicciones.
3. Ambas reaccionan, potencialmente de formas conflictivas.

La cuestión central es si y cómo bien los modelos entrenados en muestras performativas pueden generalizarse a una población performativa, y cuáles son los límites teóricos de este error de generalización.

2. Metodología y Marco de Trabajo

Los autores introducen la Teoría del Aprendizaje Performativo (PLT), integrando las predicciones performativas dentro de la teoría del aprendizaje estadístico. El marco generaliza el escenario estándar considerando la evolución de la distribución de la muestra ($\hat{d}_t$) y la distribución de la población ($d_t$) a lo largo del tiempo $t$.

Definiciones y Supuestos Clave

• Transición con Estado (Stateful Transition): La evolución de la distribución está gobernada por un mapa de transición $Tr$ desconocido, donde $d_t = Tr(d_{t-1}, \theta_t)$. Esto generaliza los modelos sin estado donde $d_t$ depende únicamente de $\theta_t$.
• Minimización de Riesgo: El estudio considera tanto la Minimización de Riesgo Repetida (RRM) en la población como la Minimización de Riesgo Empírico Repetida (RERM) en la muestra.
• Condiciones: El análisis se basa en supuestos estándar de la literatura de PP:
  • Convexidad Fuerte: La función de pérdida $\ell$ es $\gamma$-fuertemente convexa en los parámetros $\theta$.
  • Sensibilidad de Wasserstein: El mapa de transición $Tr$ es $(\varepsilon, p)$-conjuntamente sensible, lo que significa que la distancia de Wasserstein entre distribuciones cambia linealmente con el cambio en los parámetros y las distribuciones previas.
  • Regularidad: La pérdida es Lipschitz en los datos y continuamente diferenciable en los parámetros.

Enfoque Teórico

Los autores derivan límites de generalización analizando la distancia de Wasserstein entre distribuciones. Utilizan:

• Límites de Convergencia: Aprovechando a Fournier & Guillin (2015) para acotar la distancia entre la muestra inicial y la población real.
• Límites de Desplazamiento Intra-muestra: Derivando límites sobre cuánto se desplaza la distribución de la muestra debido a efectos performativos dentro del bucle de entrenamiento.
• Números de Recubrimiento: Utilizando integrales de entropía de números de recubrimiento (Kolmogorov & Tikhomirov, 1959) en lugar de complejidades de Rademacher para manejar la naturaleza dinámica del soporte de la distribución.
• Dualidad en el Espacio de Wasserstein: Formulando las predicciones autonegantes (población) y autofulfilment/autocompletantes (muestra) como funcionales de riesgo min-max y min-min respectivamente, permitiendo el uso de la teoría de procesos empíricos para un aprendizaje localmente robusto distributivamente y favorable.

3. Contribuciones Clave y Resultados

El artículo aborda cuatro preguntas de investigación específicas (RQ1–RQ4) relativas a la generalización bajo diferentes escenarios de performatividad:

RQ1: Generalización bajo Performatividad de la Muestra

• Escenario: Un modelo es reentrenado en una muestra que reacciona a las predicciones, pero la población no lo hace (o aún no es observada).
• Resultado (Teorema 3.7): Los autores demuestran un límite superior en el exceso de riesgo $R(d_0, \hat{\theta}_T) - \inf R(d_0, \theta)$.
• Perspectiva Clave: El límite depende de la tasa de respuesta performativa ($m/n$, la fracción de unidades de la muestra que cambian su comportamiento). Si $m = o(n)$, el límite desaparece cuando $n \to \infty$. Sin embargo, si la muestra reacciona fuertemente, el límite crece, indicando un compromiso (trade-off): manipular la muestra para mejorar los resultados degrada la capacidad de aprender propiedades generalizables de esa muestra.

RQ2: Generalización bajo Performatividad Total

• Escenario: El modelo se entrena en una muestra y luego se despliega en una población que reacciona a las predicciones.
• Resultado (Teoremas 3.10 y 3.13): Se derivan límites para el exceso de riesgo performativo (error en la población desplazada) y la brecha de generalización (diferencia entre el riesgo en la población desplazada y la muestra desplazada).
• Perspectiva Estructural: En el peor de los casos, la muestra crea una "cámara de eco empírica" mediante predicciones autocompletantes (confirmando engañosamente al modelo), mientras que la población las autonegante (actuando de forma opuesta). Esto crea una brecha fundamental entre el rendimiento de entrenamiento y el rendimiento fuera de la muestra.
• Corolario 3.11: Una perspectiva práctica sugiere que las garantías de generalización más ajustadas se obtienen utilizando el ajuste inicial ($\hat{\theta}_0$) en datos fuera de la muestra, mientras se estima el desplazamiento de la población a partir de los desplazamientos observados en la muestra, en lugar de reentrenar repetidamente sobre la muestra distorsionada.

RQ3: Exceso de Riesgo Performativo Acumulado

• Escenario: Un modelo es entrenado en una muestra, luego se implementa en una población donde se reentrena repetidamente sobre la población cambiante.
• Resultado (Teorema 3.16): El artículo proporciona límites sobre el error acumulado. El análisis muestra que el error acumulado está impulsado por el desplazamiento inicial de la muestra a la población y la dinámica posterior de la población.

RQ4: Brecha Inferencial

• Escenario: Comparación entre el minimizador de riesgo empírico (entrenado en muestras) y el minimizador de riesgo teórico (entrenado en la población).
• Estado: El artículo señala que esto ha sido respondido parcialmente por trabajos recientes (Li et al., 2025b) para casos asintóticos ($n \to \infty$) e identifica el análisis de muestra finita para la performatividad con estado como una dirección abierta.

4. Ilustración Empírica

Los autores ilustran sus límites utilizando datos administrativos reales de la Agencia Federal de Empleo de Alemania (1975–2017) relativos al perfilado de buscadores de empleo.

• Configuración: Un modelo de regresión logística predice el riesgo de desempleo a largo plazo. Los individuos de alto riesgo son asignados a capacitación laboral, lo cual (si es efectivo) reduce su riesgo de desempleo, creando un efecto performativo.
• Hallazgos: Los límites cuantifican con éxito la brecha de generalización. A medida que aumenta la fracción de buscadores de empleo asignados a capacitación ($\xi$), el término performativo en el límite crece, demostando el compromiso entre cambio e inferencia (change-learn trade-off): cuanto más cambia el modelo la población (al asignar más capacitaciones), menos fiables se vuelven sus predicciones para la población general.

5. Significado y Reivindicaciones

El artículo afirma iniciar el estudio de la aprendibilidad bajo performatividad. Sus principales contribuciones son:

1. Fundación Teórica: Establece el primer conjunto de límites de generalización para predicciones performativas que consideran muestras finitas y la distinción entre reacciones de la muestra y de la población.
2. Compromiso Fundamental: Formaliza un compromiso entre la intervención (cambiar el mundo mediante predicciones) y la inferencia (aprender de los datos resultantes). Cuanto más influye un modelo en su entorno, más difícil resulta generalizar a partir de los datos resultantes.
3. Mecanismo de Cámara de Eco: Identifica un mecanismo específico donde las muestras pueden "engañar" a los modelos mediante profecías autocumplidas, mientras que las poblaciones las "niegan", lo que conduce a brechas de generalización infladas.
4. Guía Práctica: Ofrece una recomendación contraintuitiva pero teóricamente fundamentada: ante la performatividad, confiar en el ajuste inicial del modelo junto con estimaciones del desplazamiento (derivadas de las reacciones de la muestra) puede ofrecer garantías más ajustadas que el reentrenamiento continuo sobre datos distorsionados.

Los autores mantienen un tono modesto, reconociendo que sus límites dependen de condiciones de regularidad específicas (convexidad fuerte, continuidad Lipschitz) y que el mapa de transición $Tr$ es tratado como una caja negra. Posicionan este trabajo como un paso fundacional hacia la comprensión de las limitaciones de los sistemas predictivos en dominios de alto riesgo como los servicios de empleo, las finanzas y la justicia penal, donde las predicciones moldean activamente los resultados.