社会世界中的预测通常会影响预测的目标，这称为表现性，而表现性预测又可分为自我实现和自我否定的预测。在机器学习的发展中，表现性这个概念在经济学、金融学和社会科学中具有基本重要性，但在机器学习应用中往往表现为分布转移。我们对最近建立的表现性预测领域进行了调查，提供了定义和概念框架，以研究机器学习中的表现性。表现性预测的一个结果是自然均衡概念的出现，从而产生了新的优化挑战。另一个结果是学习和操纵之间的区别，这是表现性预测中发挥作用的两种机制。操纵的概念与数字市场中的权力问题密切相关。我们审查了表现性权力的概念，给出了这样一个答案：一个平台通过其预测有多大程度上能够操纵参与者。最后，我们讨论了未来的方向，比如表现性对抗算法系统中的作用。

Oct, 2023

该研究提出一种执行预测框架，关注于找到稳定的分类器来影响他们要预测的数据；并且可以放松关于损失函数的假设，通过使用 Lipschitz 连续的预测数据分布。通过实验，该研究表明可以使用这种方法学习关于真实数据的神经网络分类器。

Apr, 2023

本文提出了一个理论框架，建模了目标人群对已部署分类器的响应，同时研究了基于重复风险最小化和一种更懒惰的方法的两个重新训练算法的收敛性，能够更好的控制已部署分类器的影响，同时探讨了不同人群获取信息和资源的差异对已部署分类器的响应影响。

Nov, 2020

本文探讨了 performative prediction 的问题，基于特定的损失函数和模型诱导的分布位移性质进行优化，从而实现风险凸优化，并且比通用导数优化方法具有更好的样本效率。

Feb, 2021

本文研究了在目标性预测中使用可能被错误规定的模型的方法，通过使用名为 “插件表现优化” 的通用协议，证明了其过度风险的界限，结果表明，即使模型被错误规定，模型确实可以帮助学习实现表现。

May, 2023

对于受到不等式约束的可行预测问题，本文在鲁棒的原始对偶框架基础上提出了一种自适应的原始对偶算法，通过数值模拟验证了算法的有效性和理论结果，该算法在不等式约束下达到 O (√T) 的后悔与约束违规，使用了√T + 2T 个样本。

Sep, 2023

本研究旨在研究不需要假设空间为凸集且模型对数据分布的映射事先已知的可应用的可执行预测问题。通过开发两级零阶优化算法，该算法一级旨在计算分布图，而另一个级别则将可执行预测目标重新参数化为由所引发的数据分布的函数。在一定的条件下，这种重新参数化使我们能够将非凸的目标转化为凸的目标，并实现可证明的遗憾保证。

May, 2023

本文研究了在执行预测中采用随机优化的问题，证明了在梯度下降中使用贪心和懒惰部署模型的收敛速度，并通过实验分析了两种方法的平衡点和最优情况。

Jun, 2020

在社会分类问题中，我们通过利用预测模型的表现性来实现更强的群体公平保证，解决了冲突的群体公平定义，并通过决策者的能力引导人口以从长远来解决不公平问题。

May, 2024

本文研究了时间序列预测中的表演性问题，在机器学习的视角下，提出了一种称为特征表演位移（FPS）的新方法，该方法利用延迟响应的概念来预测可能的分布变化，并相应地预测目标变量。通过在 COVID-19 和交通预测任务上进行综合实验，结果表明 FPS 始终优于传统时间序列预测方法，突出了其在应对表演性问题方面的效果。

Oct, 2023