📊 statistics

Microfoundation Inference for Strategic Prediction

यह शोध पत्र अनुकूल परिवहन (ऑप्टिमल ट्रांसपोर्ट) और लागत-समायोजित उपयोगिता अधिकतमकरण का उपयोग करते हुए रणनीतिक एजेंट प्रतिक्रियाओं के वितरण मानचित्र को अनुमानित करने के लिए एक कार्यप्रणाली प्रस्तावित करता है, जिससे परफॉर्मेटिव प्रेडिक्शन परिदृश्यों में दीर्घकालिक सामाजिक प्रभावों की भविष्यवाणी करना सक्षम हो सके।

मूल लेखक: Daniele Bracale, Subha Maity, Felipe Maia Polo, Seamus Somerstep, Moulinath Banerjee, Yuekai Sun

प्रकाशित 2026-07-28

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Daniele Bracale, Subha Maity, Felipe Maia Polo, Seamus Somerstep, Moulinath Banerjee, Yuekai Sun

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मौसम विज्ञानी हैं। आप बादलों को देखते हैं और बारिश की भविष्यवाणी करते हैं। लेकिन यहाँ एक मोड़ है: जैसे ही आप चिल्लाते हैं "बारिश आने वाली है!", हर कोई छाता उठा लेता है और घर के अंदर चला जाता है। क्योंकि हर कोई अंदर ही रहा, इसलिए उतनी बारिश नहीं हुई जितनी आपने भविष्यवाणी की थी। आपकी भविष्यवाणी ने वास्तव में मौसम को बदल दिया! यह "परफॉर्मेटिव प्रेडिक्शन" (performative prediction) की अजीब दुनिया है। यह तब होता है जब कंप्यूटर का कोई मॉडल लोगों के बारे में कोई अनुमान लगाता है, और वे लोग उस अनुमान के कारण अपना व्यवहार बदल देते हैं। यह बिल्ली और चूहे के खेल जैसा है जहाँ बिल्ली (मॉडल) चूहे (डेटा) को पकड़ने की कोशिश करती रहती है, लेकिन चूहा भागता रहता है और हर बार अपना रूप बदल लेता है जब भी बिल्ली उसके करीब पहुँचती है। यह केवल गणित की समस्या नहीं है; यह एक सामाजिक समस्या है। यदि किसी बैंक का कंप्यूटर कहता है कि आप एक जोखिम भरे उधारकर्ता हैं, तो आप अपने क्रेडिट स्कोर को सुधारने के लिए अधिक प्रयास कर सकते हैं, या आप पूरी तरह से हार मान सकते हैं। मॉडल की भविष्यवाणी उस वास्तविकता को ही बदल देती है जिसे मापने के लिए उसे बनाया गया था। बड़ा सवाल वैज्ञानिकों के लिए यह है कि: हम ऐसे मॉडल कैसे बनाएं जो इन बदलावों को समझ सकें और सटीक भविष्यवाणियां भी कर सकें, तब भी जब लोग सक्रिय रूप से सिस्टम को चकमा देने की कोशिश कर रहे हों?

यह शोध पत्र इस पहेली को सुलझाने की कोशिश करता है कि लोग अपना व्यवहार क्यों बदलते हैं। लेखक सुझाव देते हैं कि जब लोग कोई भविष्यवाणी देखते हैं, तो वे तर्कसंगत खरीदारों की तरह कार्य करते हैं: वे अपने कार्यों को बदलने के "लाभ" की तुलना इसे करने में लगने वाले "लागत" या प्रयास से करते हैं। एक छात्र के बारे में सोचें जो यह तय कर रहा है कि क्या उसे परीक्षा के लिए और अधिक पढ़ाई करनी चाहिए। यदि शिक्षक कहता है, "अगर तुम इस सूची को याद कर लो तो मैं तुम्हें 'A' ग्रेड दूँगा," तो छात्र गणना करता है: "क्या वह 'A' ग्रेड पाना इस याद करने की सिरदर्दी के लायक है?" शोध पत्र का तर्क है कि जबकि हम आमतौर पर यह देख सकते हैं कि "लाभ" क्या है (वह 'A' ग्रेड), हमें अक्सर इस बात का कोई अंदाजा नहीं होता कि "लागत" क्या है (छात्र को वह काम कितना कठिन लगता है)। पिछली विधियों ने इस लागत का अनुमान लगाने की कोशिश की, लेकिन वे अक्सर गलत साबित हुईं, जिससे गलत भविष्यवाणियां हुईं।

लेखक इस छिपी हुई लागत को "अनुमानित" (infer) करने का एक नया तरीका प्रस्तावित करते हैं। वे एक चतुर गणितीय उपकरण का उपयोग करते हैं जिसे "ऑप्टिमल ट्रांसपोर्ट" (optimal transport) कहा जाता है, जो एक लॉजिस्टिक्स कंपनी की तरह है जो मिट्टी के ढेरों को कम से कम काम के साथ एक आकार से दूसरे आकार में ले जाने की कोशिश करती है। उनके मामले में, वे एक जनसंख्या की "पहले" की तस्वीर (मॉडल के अस्तित्व में आने से पहले लोग कैसे थे) को "बाद" की तस्वीर (मॉडल लागू होने के बाद वे कैसे दिखते हैं) में बदल रहे हैं। इन दोनों तस्वीरों को पूरी तरह से मिलाकर, वे उस "लागत" को रिवर्स-इंजीनियर कर सकते हैं जिसने लोगों को बदलने के लिए प्रेरित किया। उन्होंने इस विचार का परीक्षण क्रेडिट स्कोर के एक डेटासेट पर किया, जिसमें यह सिम्युलेट किया गया कि कैसे लोग ऋण प्रणाली (loan system) को चकमा देने की कोशिश कर सकते हैं। उनकी विधि बताती है कि वे यह सटीक रूप से अनुमान लगा सकते हैं कि लोग व्यवहार बदलने के लिए कितना प्रयास करने को तैयार हैं, भले ही उन्हें यह ठीक से न पता हो कि वे वास्तवं में क्या हासिल करने की कोशिश कर रहे हैं।

शोध पत्र पाता है कि यह नई विधि काफी मजबूत है। भले ही शोधकर्ताओं ने समीकरण के "लाभ" वाले हिस्से का गलत अनुमान लगाया हो (जैसे कि यह सोचना कि इनाम एक 'गोल्ड स्टार' था जबकि वह वास्तव में एक नकद पुरस्कार था), उनकी विधि "लागत" को इतनी अच्छी तरह से समझने में सक्षम थी कि वे लोगों के व्यवहार परिवर्तन की भविष्यवाणी कर सके। उनके सिमुलेशन में, इसने उन्हें पुराने तरीकों की तुलना में बहुत तेज़ी से एक बेहतर, अधिक स्थिर भविष्य बताने वाला मॉडल खोजने में मदद की, जो केवल अनुमान लगाने और फिर से प्रशिक्षण देने की कोशिश करते रहते थे। लेखक दिखाते हैं कि इस छिपी हुई "कीमत" को समझकर, जिसे लोग अपने व्यवहार को बदलने के लिए चुकाते हैं, हम एक ऐसा AI बना सकते हैं जो केवल चलते हुए लक्ष्य का पीछा नहीं करता, बल्कि वास्तव में उस खेल को समझता है जिसे वह खेल रहा है।

तकनीकी सारांश: रणनीतिक भविष्यवाणी के लिए माइक्रोफाउंडेशन अनुमान (Microfoundation Inference for Strategic Prediction)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र परफॉर्मेटिव प्रेडिक्शन (performative prediction) की चुनौती को संबोधित करता है, जो एक ऐसी स्थिति है जहाँ एक प्रेडिक्टिव मॉडल $\theta$ लक्ष्य चर (target variable) के वितरण को प्रभावित करता है क्योंकि हितधारक (एजेंट) मॉडल के जवाब में अपने उपयोगिता (utility) को अधिकतम करने के लिए रणनीतिक कार्रवाई करते हैं। यह घटना, जिसे अक्सर कैंपबेल के नियम (Campbell's law) के रूप में वर्णित किया जाता है, एक वितरण बदलाव (distribution shift) पैदा करती है जहाँ डेटा वितरण $Q_\theta$ , प्रेडिक्टर $\theta$ का एक फलन (function) होता है।

परफॉर्मेटिव प्रेडिक्शन सिद्धांत को लागू करने में एक महत्वपूर्ण बाधा इस वितरण बदलाव के अज्ञात तंत्र (unknown mechanism) को समझना है। मौजूदा दृष्टिकोण आम तौर पर दो श्रेणियों में आते हैं, जिनमें से दोनों की महत्वपूर्ण सीमाएँ हैं:

जीरो-ऑर्डर ऑप्टिमाइज़ेशन (Zeroth-order optimization): समस्या को डेरिवेटिव-मुक्त अनुकूलन (जैसे, फाइनाइट डिफरेंस का उपयोग करके) के रूप में मानना। यह आयाम के अभिशाप (curse of dimensionality) और धीमी अभिसरण (convergence) दर से ग्रस्त है क्योंकि यह वितरण मानचित्र $\theta \mapsto Q_\theta$ को स्पष्ट रूप से मॉडल नहीं करता है।
माइक्रोफाउंडेशन मॉडलिंग (Microfoundation modeling): यह मानना कि एजेंट एक विशिष्ट रिस्पॉन्स मॉडल (जैसे, लागत-समायोजित उपयोगिता अधिकतमकरण) का पालन करते हैं। हालाँकि यह वितरण मानचित्र तक "व्हाइट-बॉक्स" पहुँच प्रदान करके तेज़ अनुकूलन एल्गोरिदम की अनुमति देता है, लेकिन ये मॉडल अक्सर गलत निर्दिष्ट (misspecified) होते हैं। यदि माना गया एजेंट कॉस्ट फंक्शन गलत है, तो परिणामी वितरण मानचित्र त्रुटिपूर्ण होगा, जिससे उप-इष्टतम या असंगत प्रेडिक्टर प्राप्त होंगे।

लेखक डेटा से सीधे एजेंटों की प्रतिक्रियाओं के माइक्रोफाउंडेशन को अनुमानित करने की एक कार्यप्रणाली प्रस्तावित करते हैं। विशेष रूप से, वे अज्ञात कॉस्ट फंक्शन (cost function) $c$ को सीखने का लक्ष्य रखते हैं जो यह नियंत्रित करता है कि एजेंट मॉडल $\theta$ के जवाब में अपने गुणों (attributes) $Z$ को कैसे बदलते हैं, यह मानते हुए कि बेनिफिट फंक्शन $B_\theta$ ज्ञात है।

2. कार्यप्रणाली (Methodology)

2.1 एजेंट रिस्पॉन्स मॉडल (Agent Response Model)

लेखक मानक परफॉर्मेटिव प्रेडिक्शन ढांचे को अपनाते हैं जहाँ एजेंट तर्कसंगत (rational) होते हैं। एक मॉडल $\theta$ के संपर्क में आने पर, गुणों $Z$ वाला एक एजेंट $Z'$ में अपडेट करता है, जो इसे हल करता है:
$T_\theta(Z) \in \arg\max_{z' \in \mathcal{Z}} \{ B_\theta(z') - c(Z, z') \}$
यहाँ, $B_\theta$ ज्ञात लाभ (जैसे, मॉडल का आउटपुट) है, और $c$ गुणों को बदलने की अज्ञात लागत है। परिणामी वितरण पुश-फॉरवर्ड मेजर $Q_\theta = (T_\theta)_\# P$ है, जहाँ $P$ प्री-मॉडल (ex-ante) वितरण है।

2.2 पहचान क्षमता और ब्रेगमैन डायवर्जेंस (Identifiability and Bregman Divergences)

लेखक नोट करते हैं कि एक सामान्य द्विविचरित (bivariate) कॉस्ट फंक्शन $c(z, z')$ का अनुमान सीमित संख्या में वितरणों से सीमित नमूनों के साथ लगाना असंभव है। इसे संबोधित करने के लिए, वे कॉस्ट फंक्शन को ब्रेगमैन डायवर्जेंस (Bregman divergences) के वर्ग तक सीमित करते हैं:
$c_\phi(z, z') = \phi(z') - \phi(z) - \nabla\phi(z)^\top(z' - z)$
जहाँ $\phi$ एक स्ट्रिक्टली कॉनवेक्स पोटेंशियल फंक्शन है। यह अनुमान समस्या को एक जटिल द्विविचरित फंक्शन से घटाकर स्केलर पोटेंशियल $\phi(z)$ के अनुमान में बदल देता है, जिससे पहचान संबंधी समस्याओं (identifiability issues) में कमी आती है।

2.3 ऑप्टिमल ट्रांसपोर्ट एस्टीमेशन (Optimal Transport Estimation)

प्रस्तावित विधि का मुख्य भाग वितरणों को संरेखित करने के लिए ऑप्टिमल ट्रांसपोर्ट (OT) का लाभ उठाता है। एजेंट के मैक्सिमाइजेशन समस्या की प्रथम-क्रम अनुकूलता स्थिति (first-order optimality condition) के आधार पर, लेखक निष्कर्ष निकालते हैं कि वास्तविक पोटेंशियल $\phi^*$ के लिए:
$(\nabla\phi^* - \nabla B_\theta)_\# Q_\theta = (\nabla\phi^*)_\# P$
इसका तात्पर्य यह है कि मैप $(\nabla\phi^* - \nabla B_\theta)$ के तहत एक्स-पोस्ट वितरण $Q_\theta$ का पुश-फॉरवर्ड, $\nabla\phi^*$ के तहत एक्स-एंटे वितरण $P$ के पुश-फॉरवर्ड के समान है।

लेखक $\phi$ का अनुमान लगाने के लिए एक "बैरसेंटर" (barycenter) वितरण $\mu$ खोजने का प्रस्ताव करते हैं जो इन पुश-फॉरवर्ड वितरणों के वर्गित 2-वॉसरस्टीन (2-Wasserstein) दूरियों के योग को कम करता है। अनुकूलन समस्या है:
$\arg\min_{\phi \in \Phi_{cvx}} \min_{\mu \in \Delta(\mathcal{Z})} \left[ W_2^2(\mu, (\nabla\phi)_\# P) + \sum_{k=1}^m W_2^2(\mu, (\nabla\phi - \nabla B_{\theta_k})_\# Q_{\theta_k}) \right]$
इसे ब्लॉक कोऑर्डिनेट डिसेंट एल्गोरिदम (एल्गोरिदम 1) के माध्यम से हल किया जाता है, जो बैरसेंटर $\mu$ और पोटेंशियल $\phi$ के बीच बारी-बारी से अपडेट करता है।

2.4 परिदृश्य (Scenarios)

यह विधि दो सेटिंग्स में लागू करने योग्य है:

एक्स-एंटे और एक्स-पोस्ट (Ex-ante and Ex-post): शिक्षार्थी के पास प्री-डिप्लॉयमेंट वितरण $P$ और कई पोस्ट-डिप्लॉयमेंट वितरणों $Q_{\theta_k}$ दोनों के नमूने हैं।
केवल एक्स-पोस्ट (Ex-post only): शिक्षार्थी के पास केवल पोस्ट-डिप्लॉयमेंट वितरण $Q_{\theta_k}$ तक पहुँच है, जो विभिन्न $\theta_k$ के तहत इन वितरणों के पुश-फॉरवर्ड को संरेखित करके $\phi$ का अनुमान लगाता है।

3. प्रमुख योगदान (Key Contributions)

अनुमान विधि (Estimation Method): एक उपयोगिता-अधिकतमकरण माइक्रोफाउंडेशन मॉडल (utility-maximizing microfoundation model) के कॉस्ट फंक्शन (ब्रेगमैन डायवर्जेंस वर्ग के भीतर) का अनुमान लगाने के लिए एक नवीन विधि। यह विधि ऑप्टिमल ट्रांसपोर्ट का उपयोग करके प्री-मॉडल और पोस्ट-मॉडल वितरणों को मिलाने पर निर्भर करती है।
सैद्धांतिक विश्लेषण (Theoretical Analysis):
- पहचान क्षमता (Identifiability): लेखक प्रदान करते हैं कि किन परिस्थितियों में डेटा से कॉस्ट फंक्शन की पहचान संभव है (उदाहरण के लिए, कोरोलरी 4.2 एक एक्स-एंटे और एक एक्स-पोस्ट वितरण के साथ पहचान क्षमता को दर्शाता है यदि बेनिफिट फंक्शन स्ट्रिक्टली कॉन्केव है)।
- अभिसरण दरें (Convergence Rates): वे स्ट्रॉन्ग कॉनवेक्सिटी धारणाओं के तहत अनुमानित मापदंडों के लिए $O(n^{-2/d})$ की अभिसरण दर स्थापित करते हैं, जो अनुभवजन्य वॉसरस्टीन दूरी अभिसरण परिणामों से प्राप्त है।
प्रायोगिक सत्यापन (Empirical Validation): क्रेडिट स्कोरिंग डेटासेट पर संख्यात्मक प्रयोग यह प्रदर्शित करते हैं कि विधि लागतों का अनुमान लगाने और डाउनस्ट्रीम कार्यों (परफॉर्मेटिव रिस्क मिनिमाइजेशन) में सुधार करने में सक्षम है।

4. प्रायोगिक परिणाम (Experimental Results)

लेखकों ने एक वास्तविक क्रेडिट स्कोरिंग डेटासेट (Kaggle) पर आधारित अर्ध-सिंथेटिक सेटअप का उपयोग करके अपनी विधि का मूल्यांकन किया, जहाँ एजेंट डिफ़ॉल्ट वर्गीकरण से बचने के लिए रणनीतिक रूप से विशेषताओं (features) में हेरफेर करते हैं।

मिसस्पेसिफिकेशन के प्रति मजबूती (Robustness to Misspecification): उन प्रयोगों में जहाँ बेनिफिट फंक्शन $B_\theta$ मिसस्पेसिफाइड था (उदाहरण के लिए, स्क्वायर-रूट के बजाय लॉगरिदमिक बेनिफिट मानना), पोटेंशियल डेरिवेटिव $\phi'$ का अनुमान पक्षपाती (biased) हो गया। हालाँकि, परिणामी रिस्पॉन्स मैप $T_\theta$ मजबूत बना रहा, और प्रेडिक्टिव प्रदर्शन में महत्वपूर्ण गिरावट नहीं आई। यह सुझाव देता है कि विधि बेनिफिट फंक्शन के विनिर्देश (specification) में त्रुटियों को सहन कर सकती है।
अभिसरण (Convergence): रिस्पॉन्स मैप $T_\theta$ के लिए अनुमान त्रुटि नमूना आकार बढ़ने के साथ कम हुई, जो सैद्धांतिक भविष्यवाणियों के अनुरूप है।
परफॉर्मेटिव रिस्क मिनिमाइजेशन (Performative Risk Minimization): जब परफॉर्मेटिव रिस्क को कम करने (इष्टतम क्लासिफायर $\theta$ $θ$ खोजने) के लिए लागू किया गया, तो प्रस्तावित विधि बेसलाइन की तुलना में इष्टतम समाधान (Oracle) तक काफी तेजी से पहुँची:
- रिपीटेड ग्रेडिएंट डिसेंट (RGD) और परफॉर्मेटिव ग्रेडिएंट डिसेंट (PerfGD): इन जीरो-ऑर्डर या आंशिक रूप से निर्दिष्ट विधियों ने धीमी अभिसरण दर दिखाई और कुछ मामलों में ओरेकल तक पहुँचने में विफल रहीं क्योंकि उनकी धारणाएं (जैसे PerfGD में गॉसियनिटी) लागू नहीं थीं।
- लीस्ट स्क्वायर्स (LS): एक रैखिक रिस्पॉन्स मानने वाला दो-चरणीय तरीका।
- परिणाम: प्रस्तावित विधि ने प्रतिस्पर्धी प्रदर्शन हासिल किया, और प्रकाशित क्लासिफायर की संख्या (नमूना आकार) बढ़ने के साथ ओरेकल तक अभिसरण हुआ।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि रणनीतिक सेटिंग्स में सटीक मॉडल तैनात करने के लिए एजेंट माइक्रोफाउंडेशन का सटीक अनुमान लगाना एक महत्वपूर्ण कदम है। डेटा से कॉस्ट फंक्शन सीखकर, अभ्यासकर्ता (practitioners) निम्नलिखित कार्य कर सकते हैं:

तेजी से अभिसरण करने वाले अनुकूलन एल्गोरिदम का उपयोग करना, जिन्हें वितरण मानचित्र का स्पष्ट ज्ञान आवश्यक है, जिससे धीमे डेरिवेटिव-फ्री तरीकों से बचा जा सकता है।
मिसस्पेसिफिकेशन के संबंध में मानसिक शांति के साथ मॉडल तैनात करना, क्योंकि विधि बेनिफिट फंक्शन की त्रुटियों के प्रति मजबूत है।
जनसंख्या पर प्रेडिक्टिव मॉडल के दीर्घकालिक प्रभावों को बेहतर ढंग से समझना, जिससे निष्पक्षता (fairness) और अन्य सामाजिक बाधाओं को लागू करने में मदद मिलती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि उनका कार्य रणनीतिक एजेंटों पर केंद्रित है, वितरण बदलावों को सीखने की व्यापक समस्या गैर-रणनीतिक परफॉर्मेटिव सेटिंग्स में भविष्य के अनुसंधान के लिए एक खुला क्षेत्र बनी हुई है। कार्यान्वयन के लिए कोड सार्वजनिक रूप से उपलब्ध कराया गया है।