Resumo Técnico: Trade-offs entre Esforço Desejável, Equidade e Otimalidade em Aprendizado Estratégico

1. Enunciado do Problema

A classificação estratégica examina como regras de decisão (principais) interagem com agentes que alteram estrategicamente suas características para melhorar os resultados atribuídos. Enquanto a literatura existente foca frequentemente na maximização do desempenho preditivo sob a premissa de que os agentes respondem de forma ótima ao classificador aprendido, sistemas do mundo real enfrentam complexidades adicionais:

1. Desejabilidade: Nem todas as mudanças de características são "manipulações"; algumas representam melhorias genuínas (ex: adquirir educação vs. manipular uma pontuação de crédito). Partes interessadas externas (reguladores, sociedade) podem considerar certas melhorias "desejáveis" e outras indesejáveis.
2. Equidade (Fairness): Os principais devem incentivar essas melhorias desejáveis de forma equitativa entre grupos heterogêneos, mesmo quando os grupos enfrentam custos de adaptação diferentes ou possuem informações distintas sobre o classificador.
3. Disparidade de Informação: Os agentes muitas vezes carecem de conhecimento perfeito sobre o algoritmo do principal, baseando-se, em vez disso, no aprendizado por pares para estimar a regra de decisão.
4. Transbordamentos Causais (Causal Spillovers): Alterar uma característica pode desencadear causalmente mudanças em outras, complicando a relação esforço-custo.

O artigo aborda duas questões centrais:

• Q1: Como um principal pode fornecer incentivos justos para a melhoria entre grupos heterogêneos?
• Q2: Qual é o trade-off entre o objetivo primário do principal (acurácia ou bem-estar social) e o requisito de fornecer incentivos equitativos para características desejáveis?

2. Metodologia e Modelo

2.1 Estrutura Teoria dos Jogos

Os autores propõem uma estrutura unificada de jogo de Stackelberg envolvendo um principal e uma população de agentes dividida em duas subpopulações ($g \in \{1, 2\}$).

• Agentes: Os agentes não conhecem perfeitamente a verdadeira regra de pontuação $w$. Em vez disso, eles realizam aprendizado por pares, observando os resultados de pares não estratégicos dentro de seu grupo para estimar a política ($w_{EST}$). Eles então exercem esforço exógeno ($x_e$) para alterar suas características.
• Estrutura Causal: As alterações de características são modeladas via uma matriz de contribuição $C$ derivada de um Grafo Acíclico Dirigido (DAG) ponderado. O vetor de características alterado é $x' = x + C x_e$. Isso captura o efeito de "transbordamento" onde o esforço em uma característica influencia causalmente outras.
• Custos: Os agentes minimizam uma função de utilidade: $U = \text{Score}(x') - \text{Cost}(x_e)$. O custo é quadrático, definido por uma matriz definida positiva específica do grupo $A_g$.
• Objetivo do Principal: O principal assume uma regra $w$ para maximizar ou a Acurácia (minimizando o erro quadrático entre as pontuações previstas e reais) ou o Bem-Estar Social (maximizando a qualidade real esperada dos agentes).

2.2 Restrições de Equidade

Um stakeholder externo define uma matriz de desejabilidade $\Pi_D$ (matriz diagonal que atribui pesos às características) e uma função de discrepância $\Delta(w)$.

• Esforço Desejável: O esforço incentivado pela regra $w$ para o grupo $g$ é ponderado pela desejabilidade: $\Pi_D x_e^{(g)}(w)$.
• Discrepância: $\Delta(w)$ mede a disparidade nos incentivos de esforço desejável entre os grupos.
• Restrição: O principal deve escolher uma regra $w$ tal que $\Delta(w) \le \beta$, onde $\beta$ é um nível de tolerância escolhido pelo principal.

2.3 Problemas de Otimização

O artigo formula o problema do principal como uma otimização restrita:
$$\max_{w \in B(1)} \text{OBJ}(w; w^*) \quad \text{sujeito a} \quad \Delta(w) \le \beta$$
onde $\text{OBJ}$ é Acurácia ou Bem-Estar Social, e $B(1)$ é a bola euclidiana unitária (normalizando os coeficientes da regra). O artigo analisa a perda de otimalidade, definida como a diferença entre o ótimo não restrito e o ótimo restrito por $\beta$.

3. Contribuições Principais

3.1 Estrutura Unificada

Este trabalho é o primeiro a combinar três considerações de modelagem anteriormente isoladas:

1. Agentes aprendendo via observação de pares (informação imperfeita).
2. Transbordamentos causais nas mudanças de características.
3. Definições de stakeholder externo para esforço desejável e equidade.

3.2 Garantias Teóricas para Restrições Convexas

Para funções de discrepância convexas (ex: normas $\ell_1$ ou $\ell_2$ da diferença nos vetores de esforço desejável), os autores derivam limites superiores para a perda de otimalidade.

• Esses limites dependem dos parâmetros do sistema (matrizes de custo $A_g$, matriz de contribuição $C$, matrizes de projeção $\Pi_g$) e da tolerância $\beta$.
• Os limites permitem que os principais quantifiquem os trade-offs de pior caso antes da implementação.
• Limites específicos são fornecidos para regiões factíveis que são poliedros (Propriedade 3.1) ou elipsoides (Propriedade 3.2/3.3).

3.3 Lidar com Restrições Não Convexas

Para funções de discrepância não convexas (ex: restrições de equidade assimétricas onde um grupo pode ser mais incentivado que outro), o problema de otimização torna-se computacionalmente intratável.

• Os autores propõem uma restrição convexa (um subconjunto elipsoidal da região factível) para garantir a tratabilidade.
• Eles fornecem limites sobre o erro de aproximação introduzido por essa restrição, quantificando a perda de otimalidade adicional incorrida ao resolver o problema restrito em vez do verdadeiro problema não convexo.

3.4 Avaliação Empírica

Usando os conjuntos de dados ADULT e TAIWAN, o artigo avalia:

• ADULT: Calcula equilíbrios justos exatos sob restrições $\ell_1$ e $\ell_2$ através de divisões demográficas (idade, país, educação) com estruturas de custo variadas.
• TAIWAN: Compara as perdas realizadas contra os limites teóricos derivados na Seção 3.

4. Resultados

4.1 Achados Teóricos

• Quantificação de Trade-off: Os limites derivados mostram explicitamente como o objetivo do principal degrada conforme a tolerância de equidade $\beta$ se torna mais rigorosa.
• A Geometria Importa: Limites que se adaptam à geometria da região factível $\beta$-justa (ex: dependentes das matrizes de projeção específicas e estruturas de custo) são significativamente mais estreitos.
• Não Convexidade: A abordagem de restrição convexa fornece uma solução tratável com perda de qualidade limitada, tornando as restrições de equidade não convexas praticavelmente solucionáveis.

4.2 Achados Experimentais

• Alinhamento de Disparidades: O custo de impor equidade é maior quando as disparidades de grupo existentes (em custos ou informação) alinham-se com as características desejáveis designadas pelo stakeholder. Nesses casos, a perda de otimalidade persiste mesmo conforme $\beta$ aumenta.
• Desalinhamento: Quando as disparidades estão desalinhadas com as características desejáveis, o sistema recupera o desempenho (acurácia/bem-estar) rapidamente conforme a restrição de equidade é relaxada.
• Estreitamento dos Limites (Bound Tightness): No conjunto de dados TAIWAN, os limites teóricos que incorporam a geometria específica do caso (ex: matrizes de custo específicas e subespaços de grupo) acompanham de perto as perdas realizadas. Os limites gerais (ex: para bem-estar social sem adaptação geométrica) permanecem conservadores, frequentemente superestimando a perda.

5. Significância e Alegações

O artigo afirma fornecer um framework formal para incentivar o esforço justo entre grupos heterogêneos, caracterizando o trade-off inerente entre restrições de equidade e o objetivo do principal.

• Valor Prático: Os limites teóricos permitem que os tomadores de decisão tomem decisões ex-ante. Dados os cálculos de matrizes de custo e estruturas de grupo, um principal pode avaliar se uma tolerância de equidade $\beta$ desejada é alcançável com uma perda de desempenho aceitável antes da implementação.
• Relevância Regulatória: O framework é particularmente relevante para domínios regulados onde compromissos de equidade são externamente mandatados. Oferece um mecanismo para selecionar funções de discrepância que se alinhem com a estrutura específica das disparidades de grupo para evitar conjuntos factíveis triviais.
• Modéstia: Os autores reconhecem que seus limites são garantias de pior caso e podem ser conservadores para instâncias empíricas específicas. Eles não alegam resolver todos os problemas de equidade, mas sim fornecer um tratamento unificado de desejabilidade, causalidade e disparidade de informação para analisar os trade-offs resultantes.

O trabalho distingue-se da literatura anterior por focar na equidade do esforço desejável (equalizar incentivos para mudanças benéficas) em vez de apenas equidade de resultado, e por modelar explicitamente a estrutura causal das mudanças de características juntamente com as disparidades de informação.