전략적 특징 선택 (Strategic Feature Selection)

의료와 같이 이해관계가 큰(high-stakes) 영역에서 알고리즘 예측기가 자원 배분에 영향을 미칠 때, 이러한 예측기들은 입력 특징(input features)의 전략적 조작(strategic manipulation)을 반드시 고려해야 합니다. 일반적인 해결책은 전략적 상호작용(strategic interactions)을 명시적으로 고려하도록 예측기 자체를 재설계하는 것입니다. 그러나 실제 상황에서 의사 결정자들은 기존 예측 파이프라인 내에서 더 거친 레버(coarser levers)를 조정하는 데 제약을 받는 경우가 많습니다. 예를 들어, 의료 기관은 특징의 조작 가능성(manipulability)에 대한 인식을 바탕으로 어떤 특징을 제외할지 선택하는 한편, 유지된 특징들의 계수(coefficients)를 축소하기 위해 표준적인 규제화(regularization) 절차를 사용하곤 합니다. 본 연구에서는 특징 선택(feature selection)을 통한 전략적 분류(strategic classification)와 이것이 릿지 규제화(ridge regularization)와의 상호작용에 대한 공식적인 연구를 시작합니다. 우리의 주요 발견은 조작 가능성만을 근거로 개별 특징을 제외하는 것이 일반적으로 최적(suboptimal)이 아니라는 점입니다. 우리는 최적의 규제화 하에서 특징 부분 집합(feature subset)의 성능에 대한 세밀한 특성(fine-grained characterization)을 제공하며, 이는 정책 설계에 대한 새로운 통찰을 제공합니다. 이러한 특성 분석에 착안하여, 우리는 특징 집합과 릿지 규제화 수준을 공동으로 선택하기 위한 실용적인 알고리즘을 개발합니다. 의료 지급 벤치마크에 대한 실제 사례 연구를 통해, 우리의 알고리즘이 실제 환경에서 거친 정책 레버(coarse policy levers)의 설계를 어떻게 안내할 수 있는지 보여줍니다. 우리의 결과는 알고리즘 의사 결정 시스템에서 전략적 행동의 영향을 완화하기 위한 원칙적이고 실용적인 프레임워크를 제공합니다.