Resumo Técnico: Classificação Estratégica com Sensibilidade à Equidade Individual via Imitação de Pares

1. Definição do Problema

A Classificação Estratégica (SC - Strategic Classification) aborda cenários onde agentes manipulam suas características observáveis para obter decisões favoráveis de modelos preditivos. Embora as abordagens atuais de SC focadas em equidade visem principalmente a equidade de grupo (ex: paridade demográfica) e assumam que os agentes respondem de forma independente, este artigo identifica uma lacuna crítica quando a equidade individual é exigida.

A equidade individual exige que indivíduos semelhantes recebam decisões semelhantes. Os autores argumentam que, sob essa restrição, a suposição de manipulação independente falha. Em vez disso, os agentes praticam a imitação de pares: a estratégia de manipulação ótima de um agente depende dos resultados de seu "vizinhança" (pares semelhantes). Especificamente, os agentes observam pares positivamente decididos dentro de seu raio de similaridade e manipulam estrategicamente suas características para imitar esses pares, entrando assim em uma região de decisão favorável.

Isso cria um descompasso fundamental:

1. A SC Clássica assume que a manipulação é uma função das características do agente e do classificador isoladamente: $x' = b(x; f)$.
2. A SC com Equidade Individual (IF SC) induz uma manipulação dependente da população: $x' = b_{IF}(x; f, \{x_j\})$, onde a manipulação depende do conjunto de pares visíveis e positivamente decididos $\{x_j\}$.

O artigo postula que os modelos padrão de SC falham em capturar essa interdependência, levando a classificadores subótimos e potenciais violações de equidade.

2. Metodologia: Classificação Estratégica com Sensibilidade à Equidade Individual (IFSC)

Para abordar a interdependência da manipulação estratégica, os autores propõem o IFSC, um framework que modela a manipulação impulsionada por pares e aprende classificadores robustos a esse comportamento.

2.1 Modelagem de Manipulação Impulsionada por Pares

O framework formaliza o processo de manipulação através de um mecanismo de visibilidade:

• Conjunto de Pares Visíveis ($S^{vis}_i$): Os agentes não observam a população inteira. Eles observam um subconjunto de pares positivamente decididos dentro de um raio de visibilidade $R_{vis}$ ou baseados em características salientes.
• Utilidade Estratégica: Um agente $i$ avalia a utilidade de manipular suas características para cair na vizinhança de $\delta$-similaridade de um par visível $j$. A utilidade equilibra o benefício de uma decisão positiva contra o custo da manipulação.
• Regra de Manipulação: Se pares visíveis existirem, o agente escolhe a manipulação que maximiza a utilidade ao se mover em direção à vizinhança de um par específico. Se nenhum par for visível, o agente retorna ao estado de nenhuma manipulação.

2.2 Aprendizado Robusto com Perturbação Estocástica

Reconhecendo que o conjunto de pares visíveis é incerto e pode variar entre ambientes, o IFSC emprega um processo de aprendizado robusto:

• Perturbação Estocástica: Durante o treinamento, o conjunto de pares visíveis $S^{vis}_i$ é aleatoriamente perturbado (ex: removendo alguns pares e introduzindo outros) para simular a incerteza na observabilidade.
• Simulação: O classificador é treinado nas distribuições pós-manipulação resultantes dessas distribuições de pares perturbados, em vez de uma realização fixa de visibilidade.

2.3 Objetivo de Otimização Unificado

O classificador é aprendido minimizando um objetivo unificado que combina:

1. Risco de Acurácia Pós-Manipulação ($R_{acc}$): A perda de classificação esperada nas características manipuladas simuladas.
2. Regularização de Equidade Individual ($V_{IF}$): Um termo de penalidade que impõe que indivíduos manipulados semelhantes recebam decisões semelhantes.

O problema de otimização é formulado como:
$$f^*_{IF} \in \arg \min_{f \in \mathcal{F}} \left[ R_{acc}(f) + \lambda V_{IF}(f) \right]$$
onde ambos os termos são avaliados nas características pós-manipulação simuladas.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Identificação de uma Limitação Estrutural: Os autores demonstram que a suposição padrão de manipulação independente de agentes na SC clássica é inválida sob restrições de equidade individual. Eles provam que a equidade individual induz uma manipulação estratégica interdependente via imitação de pares, um fenômeno não capturado pelos modelos existentes.
2. Proposta do Framework IFSC: Eles introduzem um framework estratégico que modela explicitamente a manipulação impulsionada por pares. Isso inclui um objetivo de treinamento principiado que otimiza classificadores sobre distribuições pós-manipulação simuladas com perturbações estocásticas para alinhar o aprendizado com a distribuição estratégica induzida.
3. Validação Empírica: Experimentos extensos em conjuntos de dados sintéticos e do mundo real mostram que o IFSC preserva consistentemente a consistência da equidade individual e melhora a acurácia pós-manipulação em comparação com as bases de SC padrão, particularmente quando os agentes exibem comportamentos de imitação de pares.

4. Resultados Experimentais

Os autores avaliaram o IFSC em sete conjuntos de dados (seis do mundo real, um sintético) através de três regimes de manipulação: Clássico (independente), Imitação de Pares e Misto.

• Efetividade da Manipulação: A Figura 3 mostra que, sob restrições de equidade individual, a manipulação impulsionada por pares gera taxas de "trapaça" (cheatment rates) significativamente maiores (a taxa na qual agentes inicialmente rejeitados tornam-se aceitos) em comparação com a manipulação independente. Essa vantagem cresce conforme o limiar de similaridade $\delta$ aumenta.
• Acurácia e Equidade:
  • A SC Padrão, treinada em suposições independentes, sofre uma queda de desempenho (perda de 2–4% de acurácia) e aumento nos hiatos de equidade quando os agentes realizam, de fato, a imitação de pares.
  • O IFSC alcança consistentemente maior acurácia pós-manipulação e menores Lacunas de Equidade Individual (IF-Gap) em todos os conjuntos de dados e regimes de manipulação.
• Robustez ao Descompasso de Visibilidade: Experimentos variando os regimes de visibilidade (Local, kNN, Probabilístico) entre treinamento e teste demonstram que o IFSC mantém um desempenho estável. Em contraste, classificadores treinados em suposições de visibilidade fixa degradam significativamente quando a visibilidade no tempo de teste difere.
• Perturbação Estocástica: A introdução de perturbações estocásticas durante o treinamento aumenta a robustez às variações de visibilidade sem comprometer a equidade individual.

5. Significância e Alegações

O artigo afirma que seu trabalho aborda um descompasso fundamental entre as formulações clássicas de classificação estratégica e os cenários de decisão com sensibilidade à equidade. Ao mudar o foco das estatísticas de nível de grupo para a consistência de nível individual, os autores revelam que restrições de equidade podem alterar fundamentalmente o comportamento estratégico, transformando respostas independentes em imitação interdependente impulsionada por pares.

A significância do trabalho reside em:

• Insight Teórico: Estabelecer que a equidade individual exige uma reformulação da classificação estratégica para considerar manipulações dependentes da população.
• Robustez Prática: Fornecer um framework de aprendizado que permanece eficaz mesmo quando as condições específicas de visibilidade dos agentes são incertas ou há descompasso entre o treinamento e a implementação.
• Preservação da Equidade: Demonstrar que considerar a dependência estratégica induzida pela equidade leva a decisões mais robustas que satisfazem melhor os requisitos de equidade individual na presença de agentes estratégicos.

Os autores concluem que trabalhos futuros devem estender este framework para modelos de interação estratégica mais complexos e investigar a dinâmica populacional de longo prazo.