A Statistical Framework for Algorithmic Collective Action with Multiple Collectives

Résumé technique : Un cadre statistique pour l'action collective algorithmique avec plusieurs collectifs

Énoncé du problème
L'action collective algorithmique (ACA) désigne la coordination d'utilisateurs afin d'éditer stratégiquement leurs contributions de données pour orienter le comportement des modèles d'apprentissage automatique. Bien que la littérature existante ait rigoureusement formalisé l'ACA, elle s'est presque exclusivement concentrée sur des scénarios impliquant un seul collectif. Cependant, les actions collectives réelles sont typiquement décentralisées, fragmentées et composées de multiples groupes distincts (collectifs) qui peuvent différer par leur taille, leur stratégie et leurs objectifs actionnables spécifiques, même lorsqu'ils partagent des objectifs globaux. Les cadres actuels manquent de la capacité théorique pour modéliser l'interplay entre ces multiples collectifs, potentiellement conflictuels ou se chevauchant, agissant sur le même système. Cet article comble cette lacune en proposant un cadre statistique complet pour l'ACA impliquant plusieurs collectifs.

Méthodologie et contexte
Les auteurs étendent le traitement statistique de l'ACA issu de travaux antérieurs (spécifiquement [11]) à un contexte comportant $M$ collectifs disjoints. Le cadre est fondé sur la théorie de la mesure et suppose un espace de caractéristiques $\mathcal{X}$ fini et un espace d'étiquettes $\mathcal{Y}$ fini.

• Population et collectifs : La population d'utilisateurs est modélisée comme un espace de probabilité. $M$ collectifs sont définis comme des sous-ensembles disjoints de cette population, chacun ayant une masse spécifique $\alpha_c$. Une « hypothèse de neutralité » postule que, avant l'édition, la distribution des données au sein de chaque collectif correspond à la distribution globale de la population.
• Mélange de données : La plateforme s'entraîne sur un mélange de données non modifiées issues de la population de référence et de données éditées provenant des collectifs. La distribution empirique post-édition est une somme pondérée de la distribution de la population pré-édition et des distributions transformées de chaque collectif.
• Modèle de classificateur : Le modèle déployé est supposé être un classificateur sous-optimal de contamination $\epsilon$. Cela signifie que le classificateur est bayésien-optimal (ou approximativement tel) pour une distribution qui est une contamination $\epsilon$ de la distribution d'entraînement empirique. Cette hypothèse structurelle spécifique est cruciale pour dériver les seuils de marge $\epsilon/(1-\epsilon)$ utilisés dans les bornes.
• Stratégies : L'article analyse deux modes d'action principaux :
  1. Plantage de signal : Les collectifs visent à forcer le classificateur à apprendre une association entre une caractéristique altérée $g_c(x)$ et une étiquette cible $y^*_c$. Les stratégies incluent caractéristique-étiquette (modification des caractéristiques et des étiquettes) et caractéristique-seulement (modification des caractéristiques tout en préservant les étiquettes originales, repoussant les exemples non cibles vers une valeur de caractéristique « sûre »).
  2. Déplantage de signal : Les collectifs visent à briser une association existante entre une caractéristique et une étiquette. Cela est analysé à l'aide d'une stratégie adaptative où un collectif divise ses données en un ensemble d'estimation (pour sélectionner une étiquette concurrente pour chaque caractéristique) et un ensemble de test (pour exécuter l'édition).
• Métriques de succès : Le succès est mesuré via des métriques par collectif (probabilité de prédiction correcte sur l'ensemble de caractéristiques cible) et des métriques globales (agrégations telles que le minimum ou la moyenne pondérée par la masse des succès par collectif).

Contributions clés et résultats théoriques
L'article fournit le premier cadre statistique pour l'ACA avec plusieurs collectifs, dérivant des bornes inférieures quantitatives sur le succès de chaque collectif.

1. Bornes inférieures pour le plantage de signal (Théorème 3.1) :
   Les auteurs dérivent une borne inférieure sur la probabilité de succès par collectif. La borne révèle un compromis piloté par :

   • Force du signal : Proportionnelle à la masse du collectif ($\alpha_c$) et à la prévalence de la caractéristique plantée.
   • Conflit : Inversement proportionnelle à la somme pondérée des « termes de conflit » provenant des autres collectifs ($\sum_{d \neq c} \alpha_d \Delta_{c \to d}$). Ce terme mesure la force avec laquelle les autres collectifs associent les mêmes caractéristiques plantées à des étiquettes concurrentes.
   • Bruit non collectif : Un terme représentant la tendance de la population de référence à associer la caractéristique à des étiquettes non cibles.
   • Calculabilité : Les auteurs proposent une hiérarchie d'approximations pour rendre ces bornes calculables par un seul collectif disposant uniquement d'une connaissance partielle des autres. Cela va d'une borne « pire cas » (en supposant un conflit maximal de la part des autres) à une borne « meilleur cas » (en supposant l'accès à des statistiques de conflit agrégées) et un cas « intermédiaire » reposant sur des hypothèses d'homogénéité statistique.

2. Bornes inférieures pour le déplantage de signal (Théorème 4.1) :
   Une borne inférieure similaire est dérivée pour la stratégie adaptative de déplantage. La borne dépend de la capacité du collectif à sélectionner une étiquette concurrente qui minimise le « conflit de déplantage » avec les autres collectifs et la population de référence. La preuve utilise une technique de division des données (estimation vs test) pour garantir que la sélection de l'étiquette est indépendante des données utilisées pour évaluer le conflit.

3. Cohérence :
   Le cadre est prouvé pour se réduire aux bornes à collectif unique établies dans [11] lorsque $M=1$, validant ainsi la généralisation.

Résultats expérimentaux
Le cadre est illustré numériquement à l'aide d'un jeu de données synthétique inspiré des interventions d'adaptation climatique dans les villes intelligentes (enregistrements au niveau du quartier avec 18 caractéristiques catégorielles et 4 classes d'intervention).

• Dynamique à deux collectifs : Les expériences avec $M=2$ démontrent une frontière de compromis claire. Déplacer la masse vers un collectif augmente sa borne de succès au détriment de l'autre. Réduire le chevauchement des caractéristiques plantées entre les collectifs affaiblit le conflit, permettant au collectif avec moins de caractéristiques de bénéficier de caractéristiques « non contestées », tandis que l'autre perd en prévalence de signal.
• Multiples collectifs ($M=4$) : Les simulations avec quatre collectifs montrent que le succès global est hautement sensible à l'alignement des étiquettes. Lorsque les collectifs ciblent des étiquettes différentes (entropie d'étiquette élevée) et ont des tailles comparables, l'interférence destructive fait chuter la garantie de succès global près de zéro. À l'inverse, concentrer les efforts sur la même étiquette cible (entropie d'étiquette faible) réduit considérablement l'interférence et maximise le succès global. La concentration de masse joue un rôle secondaire, plus nuancé.

Signification et affirmations
L'article affirme fournir le premier traitement statistique rigoureux pour l'action collective algorithmique impliquant plusieurs collectifs. Sa signification réside dans :

• Réalisme de la modélisation : Dépasser le cadre idéalisé à collectif unique pour refléter la nature fragmentée et décentralisée des mouvements réels (par exemple, la justice climatique ou le cyberféminisme).
• Compromis quantitatifs : Quantifier explicitement comment la taille des collectifs et l'alignement de leurs objectifs (spécifiquement le chevauchement des caractéristiques et des étiquettes) déterminent la faisabilité de l'action collective.
• Calculabilité pratique : Offrir des bornes que les collectifs individuels peuvent calculer avec des informations limitées sur les autres groupes, facilitant la planification stratégique dans des environnements décentralisés.
• Validation des cas d'usage : Démontrer l'utilité du cadre à travers un scénario d'adaptation climatique, montrant comment les bornes dérivées exposent des compromis critiques entre l'allocation de masse, le chevauchement des caractéristiques et l'alignement des objectifs.

Les auteurs reconnaissent les limites, notamment l'hypothèse de collectifs disjoints et d'un espace de caractéristiques fini, et suggèrent des travaux futurs sur des contextes d'objectifs mixtes (certains plantant, d'autres déplantant) et des extensions théoriques des jeux adversariaux.