의사결정 의존적 비용 불확실성 하에서의 강건한 전략적 분류 (Robust Strategic Classification under

알고리즘 의사결정 시스템에 직면한 인간은 자신에게는 비용이 들더라도 알고리즘의 결과(알고리즘 측면에서의 비용)를 유리하게 바꾸기 위해 입력 데이터를 변경함으로써 시스템을 "게임(game)"한다는 사실이 밝혀졌습니다. 전략적 분류 (Strategic Classification)에 관한 점증하는 문헌들은 원치 않는 전략적 행동을 고려하고 이를 줄이는 강건한 머신러닝 (Machine Learning) 알고리즘을 개발하고자 노력하고 있습니다. 기존 연구들의 한계점은 전략적 행동의 비용이 고정되어 있으며 분류기 (Classifier)의 결정과 독립적이라고 가정한다는 것입니다. 그러나 실제로는 조작 비용이 진화하며 과거의 알고리즘 결정에 따라 달라집니다. 즉, 오늘의 결정이 내일의 비용에 영향을 미칩니다. 본 논문은 이러한 의존성을 포착하기 위해 의사결정 의존적 불확실성 집합 (Decision-dependent uncertainty set)을 갖춘 2단계 강건 최적화 (Two-stage robust optimization) 프레임워크를 제안하고 분석합니다. 우리는 정책 의존적 비용 (Policy-dependent costs)을 인지하는 것이 불확실성을 줄일 뿐만 아니라, 시간이 지남에 따라 알고리즘 시스템에 대한 게임 (Gaming) 행위를 더 효과적으로 억제한다는 점을 강조합니다.