Riepilogo Tecnico: Classificazione Strategica con Consapevolezza della Fairness Individuale tramite Imitazione tra Pari

1. Definizione del Problema

La Classificazione Strategica (SC) affronta scenari in cui gli agenti manipolano le proprie caratteristiche osservabili per ottenere decisioni favorevoli da parte di modelli predittivi. Sebbene gli approcci esistenti alla SC orientata alla fairness si concentrino principalmente sulla fairness di gruppo (ad esempio, la parità demografica) e assumano che gli agenti rispondano in modo indipendente, questo articolo identifica una lacuna critica quando è richiesta la fairenza individuale.

La fairness individuale impone che individui simili ricevano decisioni simili. Gli autori sostengono che, sotto tale vincolo, l'assunto di manipolazione indipendente si interrompe. Invece, gli agenti intraprendono l'imitazione tra pari (peer imitation): la strategia di manipolazione ottimale di un agente dipende dagli esiti dei suoi "vicini" (pari simili). Nello specifico, gli agenti osservano i pari positivamente decisi all'interno del loro raggio di similarità e manipolano strategicamente le proprie caratteristiche per imitare questi pari, entrando così in una regione decisionale favorevole.

Ciò crea un disallineamento fondamentale:

1. La SC Classica assume che la manipolazione sia una funzione delle caratteristiche dell'agente e del classificatore da solo: $x' = b(x; f)$.
2. La SC con Fairness Individuale (IF SC) induce una manipolazione dipendente dalla popolazione: $x' = b_{IF}(x; f, \{x_j\})$, dove la manipolazione dipende dall'insieme dei pari visibili e positivamente decisi $\{x_j\}$.

L'articolo sostiene che i modelli di SC standard non riescono a catturare questa interdipendenza, portando a classificatori subottimali e potenziali violazioni della fairness.

2. Metodologia: Classificazione Strategica con Consapevolezza della Fairness Individuale (IFSC)

Per affrontare l'interdipendenza della manipolazione strategica, gli autori propongono l'IFSC, un framework che modella la manipolazione guidata dai pari e apprende classificatori robusti a questo comportamento.

2.1 Modellazione della Manipolazione Guidata dai Pari

Il framework formalizza il processo di manipolazione attraverso un meccanismo basato sulla visibilità:

• Insieme di Pari Visibili ($S^{vis}_i$): Gli agenti non osservano l'intera popolazione. Osservano un sottoinsieme di pari positivamente decisi entro un raggio di visibilità $R_{vis}$ o basato su caratteristiche salienti.
• Utilità Strategica: Un agente $i$ valuta l'utilità di manipolare le proprie caratteristiche per ricadere nel vicinato $\delta$-simile di un pari visibile $j$. L'utilità bilancia il beneficio di una decisione positiva rispetto al costo della manipolazione.
• Regola di Manipolazione: Se esistono pari visibili, l'agente sceglie la manipolazione che massimizza l'utilità spostandosi verso il vicinato di un particolare pari. Se non ci sono pari visibili, l'agente non effettua alcuna manipolazione.

2.2 Apprendimento Robusto con Perturbazione Stocastica

Riconoscendo che l'insieme dei pari visibili è incerto e può variare tra diversi ambienti, l'IFSC impiega un processo di apprendimento robusto:

• Perturbazione Stocastica: Durante l'addestramento, l'insieme dei pari visibili $S^{vis}_i$ viene perturbato casualmente (ad esempio, rimuovendo alcuni pari e introducendone altri) per simulare l'incertezza nell'osservabilità.
• Simulazione: Il classificatore viene addestrato sulle distribuzioni post-manipolazione risultanti da questi insiemi di pari perturbati, piuttosto che su una realizzazione fissa della visibilità.

2.3 Obiettivo di Ottimizzazione Unificato

Il classificatore viene appreso minimizzando un obiettivo unificato che combina:

1. Rischio di Accuratezza Post-Manipolazione ($R_{acc}$): L'attesa perdita di classificazione sulle caratteristiche manipolate simulate.
2. Regolarizzazione della Fairness Individuale ($V_{IF}$): Un termine di penalità che impone che individui manipolati simili ricevano decisioni simili.

Il problema di ottimizzazione è formulato come:
$$f^*_{IF} \in \arg \min_{f \in \mathcal{F}} \left[ R_{acc}(f) + \lambda V_{IF}(f) \right]$$
dove entrambi i termini sono valutati sulle caratteristiche post-manipolazione simulate.

3. Contributi Principali

L'articolo delinea tre contributi primari:

1. Identificazione di un Limite Strutturale: Gli autori dimostrano che l'assunto standard di manipolazione indipendente degli agenti nella SC classica è invalido sotto i vincoli di fairness individuale. Dimostrano che la fairness individuale induce una manipolazione strategica interdipendente tramite l'imitazione tra pari, un fenomeno non catturato dai modelli esistenti.
2. Proposta del Framework IFSC: Introducono un framework strategico che modella esplicitamente la manipolazione guidata dai pari. Ciò include un obiettivo di addestramento basato su principi che ottimizza i classificatori su distribuzioni post-manipolazione simulate con perturbazioni stocastiche per allineare l'apprendimento con la distribuzione strategica indotta.
3. Validazione Empirica: Esperimenti estesi su dataset sintetici e reali mostrano che l'IFSC preserva costantemente la coerenza della fairness individuale e migliora l'accuratezza post-manipolazione rispetto ai baseline standard di SC, particolarmente quando gli agenti mostrano comportamenti di imitazione tra pari.

4. Risultati Sperimentali

Gli autori hanno valutato l'IFSC su sette dataset (sei reali, uno sintetico) attraverso tre regimi di manipolazione: Classico (indipendente), Imitazione tra Pari e Misto.

• Efficacia della Manipolazione: La Figura 3 mostra che, sotto i vincoli di fairness individuale, la manipolazione guidata dai pari produce tassi di "cheatment" (il tasso in cui gli agenti inizialmente rifiutati diventano accettati) significativamente più alti rispetto alla manipolazione indipendente. Questo vantaggio cresce all'aumentare della soglia di similarità $\delta$.
• Accuratezza e Fairness:
  • La SC Standard, addestrata su assunti indipendenti, soffre di un calo delle prestazioni (perdita di accuratezza del 2-4%) e di un aumento dei gap di fairness quando gli agenti eseguono effettivamente l'imitazione tra pari.
  • L'IFSC raggiunge costantemente un'accuratezza post-manipolazione più elevata e un minor IF-Gap (Individual Fairness Gap) in tutti i dataset e i regimi di manipolazione.
• Robustezza al Mismatch di Visibilità: Esperimenti variando i regimi di visibilità (Locale, kNN, Probabilistico) tra addestramento e test dimostrano che l'IFSC mantiene prestazioni stabili. Al contrario, i classificatori addestrati su assunti di visibilità fissi degradano significativamente quando la visibilità al tempo di test differisce.
• Perturbazione Stocastica: L'introduzione di perturbazioni stocastiche durante l'addestramento migliora la robustezza alle variazioni di visibilità senza compromettere la fairness individuale.

5. Significato e Rivendicazioni

L'articolo sostiene che il proprio lavoro affronta un disallineamento fondamentale tra le formulazioni classiche della classificazione strategica e le impostazioni decisionali orientate alla fairness. Spostando il focus dalle statistiche di gruppo alla coerenza individuale, gli autori rivelano che i vincoli di fairness possono alterare fondamentalmente il comportamento strategico, trasformando le risposte indipendenti in un'imitazione interdipendente tra pari.

La significatività del lavoro risiede in:

• Intuizione Teorica: Stabilire che la fairness individuale richiede una riformulazione della classificazione strategica per tenere conto delle manipolazioni dipendenti dalla popolazione.
• Robustezza Pratica: Fornire un framework di apprendimento che rimane efficace anche quando le specifiche condizioni di visibilità degli agenti sono incerte o disallineate tra addestramento e implementazione.
• Preservazione della Fairness: Dimostrare che tenere conto della dipendenza strategica indotta dalla fairness porta a decisioni più robuste che soddisfano meglio i requisiti di fairness individuale in presenza di agenti strategici.

Gli autori concludono che il lavoro futuro dovrebbe estendere questo framework a modelli di interazione strategica più complessi e investigare le dinamiche di popolazione a lungo termine.