A Machine Learning Theory Perspective on Strategic Litigation

Definizione del Problema
Il documento investiga il contenzioso strategico (noto anche come contenzioso d'impatto) attraverso la lente della teoria dell'apprendimento automatico (machine learning). In un sistema giuridico di common law, i tribunali inferiori sono vincolati dai precedenti stabiliti dai tribunali superiori. Gli autori modellano questa dinamica come un problema di apprendimento: i tribunali inferiori apprendono una regola decisionale (classificatore) dai precedenti giudiziari di un tribunale superiore. Un contenzioso strategico mira a influenzare gli esiti legali futuri non solo vincendo un singolo caso, ma manipolando l'insieme dei precedenti disponibili per il tribunale inferiore.

Il problema centrale è definito come segue: dato un tribunale superiore con una funzione di etichettatura fissa $f^*$, un tribunale inferiore che utilizza un algoritmo di apprendimento deterministico $\mathcal{A}$, e un contenzioso strategico con una funzione obiettivo $g$ (che rappresenta la regola decisionale desiderata per i casi futuri), il contenzioso deve selezionare un insieme di modelli di fatti di casi $S_l$ da sottoporre al tribunale superiore. Il tribunale superiore etichetta questi casi secondo $f^*$, e il tribunale inferiore aggiorna la sua funzione appresa $f \leftarrow \mathcal{A}(S_h \cup S_l)$, dove $S_h$ è il precedente storico esistente. L'obiettivo del contenzioso è minimizzare l'errore di classificazione atteso tra la funzione appresa $f$ e la funzione obiettivo $g$ su una distribuzione $D$ di casi futuri.

Metodologia e Modello
Gli autori propongono un modello altamente stilizzato e astratto di un sistema giudiziario a due livelli (tribunale superiore e tribunali inferiori) e lo analizzano sotto due specifiche istanze:

1. Impostazione del Vicino Più Vicino (Nearest Neighbor) in 1 Dimensione: I fatti del caso sono punti in $\mathbb{R}$. Il tribunale inferiore utilizza un classificatore Nearest Neighbor (NN). La classe di ipotesi consiste in funzioni booleane con alternanze finite.
2. Impostazione del Separatore Lineare in $d$ Dimensioni: I fatti del caso sono punti in $\mathbb{R}^d$. Il tribunale inferiore utilizza una Support Vector Machine (SVM) per trovare un separatore lineare a margine massimo. La classe di ipotesi consiste in separatori lineari.

In entrambi gli scenari, il contenzioso conosce $f^*$, $\mathcal{A}$ e l'obiettivo $g$. Lo studio esplora se il contenzioso possa indurre un particolare $g$ o un'approssimazione di esso, e quale sia l'insieme ottimale di casi da presentare. Il documento estende inoltre il modello per includere un meccanismo di annullamento del precedente, in cui il tribunale superiore rimuove i punti di dati storici che sono incoerenti con il proprio ragionamento attuale $f^*$ quando un nuovo caso crea una contraddizione nella classe di ipotesi.

Risultati Chiave e Contributi

• Fenomeni Strutturali Controintuitivi (1D NN):

  • Casi Persi come Strategia: Può essere vantaggioso per un contenzioso portare un caso che è certo di perdere (dove $f^*$ decide contro di lui) se tale decisione sposta il confine del NN più vicino a $g$.
  • La Miopia è Subottimale: Le strategie avide (selezionare il singolo miglior caso ad ogni passo) o anche con un anticipo di un solo step (selezionare la coppia migliore) possono portare a errori irreversibili o fallire nel raggiungere l'obiettivo, anche quando l'obiettivo è teoricamente raggiungibile.
  • Peggioramento a Breve Termine: Un contenzioso potrebbe dover portare casi che aumentano temporaneamente la discrepanza tra $f$ e $g$ per consentire una sequenza di mosse che alla fine raggiunga $g$.
  • Soluzione Algoritmica: Gli autori forniscono un algoritmo di programmazione dinamica che seleziona in modo ottimale un sottoinsieme di casi da un pool finito $P$ in un tempo $O(|P|^2)$ per l'impostazione 1D NN.

• Raggiungibilità in $d$ Dimensioni (SVM):

  • Caratterizzazione degli Obiettivi Raggiungibili: Il documento caratterizza esattamente quali funzioni obiettivo $g$ possono essere indotte da una SVM. Una funzione $g$ è raggiungibile se e solo se:
    1. L'angolo $\theta$ tra i vettori normali di $g$ e $f^*$ soddisfa $0 < \theta < 90^\circ$, non vi è alcun dato storico nella regione di disaccordo tra $f^*$ e $g$, e nessun punto giace direttamente sul confine di $g$; OPPURE
    2. $\theta = 0$ (paralleli e stessa direzione), e nessun dato storico giace entro una specifica distanza $\delta$ da $g$.
  • Efficienza: Se un obiettivo $g$ è raggiungibile, può essere indotto utilizzando al massimo 2 casi (vettori di supporto).
  • Approssimazione: Se $g$ non è raggiungibile, il contenzioso può trovare un proxy raggiungibile $g'$ che minimizzi l'errore tramite un'enumerazione brute-force su un campione di $D$, sfruttando il Lemma di Sauer-Shelah per limitare il numero di classificatori efficaci.
  • Selezione dal Pool Finito: Quando limitato a un pool finito $P$, qualsiasi funzione raggiungibile può essere indotta da un sottoinsieme di dimensione al massimo $d+1$. Gli autori forniscono un algoritmo per enumerare questi sottoinsiemi.

• Annullamento del Precedente:

  • Gli autori modellano uno scenario in cui il tribunale superiore rimuove i dati storici incoerenti quando un nuovo caso crea una contraddizione.
  • Nell'impostazione 1D NN, questo è banale: il contenzioso semplicemente ri-litiga il punto specifico per invertirne l'etichetta.
  • Nell'impostazione $d$-dimensionale SVM, gli autori dimostrano che se $g$ è raggiungibile sotto i vincoli del Teorema 4, rimane raggiungibile anche con dati storici conflittuali, a condizione che il contenzioso presenti al massimo $2d + 1$ punti. Questi punti sono costruiti per forzare la rimozione di tutti i punti storici in disaccordo pur insegnando contemporaneamente $g$.

Significato e Rivendicazioni
Gli autori posizionano questo lavoro come un primo approccio allo studio del contenzioso strategico utilizzando la teoria del machine learning. Dichiarano esplicitamente che il loro modello è "altamente stilizzato" e non mira a catturare l'intera complessità del sistema giudiziario statunitense.

Il documento rivendica importanza in tre aree principali:

1. Novità Teorica: È la prima esplorazione del contenzioso strategico d'impatto all'interno di un contesto di machine learning, collegando la dinamica dei precedenti legali alla teoria dell'apprendimento.
2. Connessioni con la Teoria del ML Esistente: Il lavoro unisce concetti di dimensione di insegnamento (dove un insegnante seleziona esempi per insegnare a un apprendista) e avvelenamento dei dati a etichetta pulita (dove un attaccante inietta dati etichettati correttamente per manipolare un modello). Tuttavia, si distingue dal fatto che il "insegnante" (il contenzioso) è vincolato dai dati esistenti dello "studente" (il tribunale) e dall'incapacità del "insegnante" di etichettare direttamente i dati (le etichette derivano da $f^*$).
3. Comprensione delle Dinamiche: Dimostrando fenomeni controintuitivi (come l'utilità dei casi persi o la necessità del degrado a breve termine), il documento suggerisce che la selezione strategica dei casi è un problema di ottimizzazione complesso che non può essere risolto con semplici euristiche.

Gli autori concludono suggerendo direzioni future, come la modellazione dell'incertezza nella funzione del tribunale superiore, l'incorporazione di decisioni rumorose o l'analisi di contesti multi-agente con contenziosi concorrenti, ma non pretendono di aver risolto questi problemi.