[论文解读] Dissecting Performative Prediction: A Comprehensive Survey

Thomas Kehrenberg, Javier Sanguino+2 more|arXiv (Cornell University)|Feb 10, 2026

Generative Adversarial Networks and Image Synthesis被引用 0

一句话总结

本综述界定了执行性预测，形式化了稳定性与最优性，按信息获取对分布映射进行分类，综述分布映射实现与优化方法，并强调与相关领域的联系以促进未来研究。

ABSTRACT

The field of performative prediction had its beginnings in 2020 with the seminal paper "Performative Prediction" by Perdomo et al., which established a novel machine learning setup where the deployment of a predictive model causes a distribution shift in the environment, which in turn causes a mismatch between the distribution expected by the predictive model and the real distribution. This shift is defined by a so-called distribution map. In the half-decade since, a literature has emerged which has, among other things, introduced new solution concepts to the original setup, extended the setup, offered new theoretical analyses, and examined the intersection of performative prediction and other established fields. In this survey, we first lay out the performative prediction setting and explain the different optimization targets: performative stability and performative optimality. We introduce a new way of classifying different performative prediction settings, based on how much information is available about the distribution map. We survey existing implementations of distribution maps and existing methods to address the problem of performative prediction, while examining different ways to categorize them. Finally, we point out known and previously unknown connections that can be drawn to other fields, in the hopes of stimulating future research.

研究动机与目标

• 定义执行性预测并强调模型部署引起的分布偏移。
• 基于信息获取对分布映射进行分类。
• 综述现有的分布映射实现与应对执行性的办法。
• 讨论实现稳定且最优模型的优化方法。
• 强调执行性预测与相关领域的联系以启发未来研究。

提出的方法

• 将风险形式化为分布映射 D(·) 并定义执行性风险 PR(θ)=Risk(θ, D(θ))。
• 将执行性稳定性 (PS) 定义为其诱导分布上的不动点最小化。
• 将执行性最优性 (PO) 定义为在 θ 上对 Risk(θ, D(θ)) 的最小化。
• 按信息可用性和对环境响应的访问将分布映射进行分类。
• 综述用于找到稳定点和执行性最优点的算法与方法。
• 通过状态变量的转移映射讨论与 MDP/多臂赌博问题的联系。

实验结果

研究问题

• RQ1 对执行性稳定性和执行性最优性的精确定义是什么？
• RQ2 如何基于对环境响应的信息量和访问来对分布映射进行分类？
• RQ3 存在哪些算法用于计算稳定点和执行性最优点，在什么条件下收敛？
• RQ4 执行性预测与 Stackelberg 博弈、赌博问题和强化学习有何关系与区别？
• RQ5 状态化（转移映射）扩展对渐进适应有什么含义？

主要发现

• 提供一个带有分布映射 D(·) 和执行性风险 PR(θ) 的执行性预测正式框架。
• 区分稳定点 (PS) 与最优点 (PO)，并指出它们通常并不一致。
• 提出按对环境响应的分布映射访问与信息的 Novel 分类。
• 综述用于估计和利用分布映射以及实现 PS 与 PO 的优化方法。
• 研究状态化扩展（转移映射）并将 PP 与 MDP、赌博和 Stackelberg 博弈联系起来。
• 强调与相关领域的联系（对抗性设定、算法性追溯、公平性延迟影响等），以促进跨学科工作。