对比标准分类任务，战略分类涉及代理人在修改其特征以获得有利预测的过程中的策略性行为，重点关注战略分类与标准学习之间的可学习差距，并通过提供几乎紧密的样本复杂性和后悔界限来解释这一问题，同时引入两种自然的不确定性情况，以实现一定程度的放松的完全信息设置。

Feb, 2024

本研究研究了战略分类中的基本错误界限和样品复杂性，其中代理可以在一定程度上战术地操纵其特征向量，以便被预测为积极，我们考虑个性化的操纵，并提供在线错误界限和 PAC 样品复杂性。

May, 2023

在一个在线的战略分类问题中，每个到达的代理可以操纵其真实特征向量以获得正面的预测标签，同时付出依赖于操纵量的成本。学习者在仅能访问操纵后的特征的情况下，试图预测代理的真实标签。之后学习者公布其预测，代理的真实标签被揭示。我们提供两种新算法，旨在在战略代理行为的情况下恢复最大边界分类器。我们证明了各种代理成本结构的收敛性、有限错误和有限操纵保证。我们还提供了针对不同成本的具有错误保证的战略感知器的广义版本。我们对真实数据和人工合成数据进行的数值研究表明，新算法在边界、操纵数量和错误数量方面优于以前的算法。

Mar, 2024

机器学习中的好斗现象及其解决方案的研究，通过将分类问题建模为一种游戏的方式，提出了一种近乎最优的、能够抵抗 “好斗” 现象的分类器设计算法，尤其对于一类自然代价函数而言，该算法在计算上也是高效的。

Jun, 2015

在战略分类中，学习者以一定的代价修改特征，以期从学习者的分类器中获得正面分类。我们考虑学习者在战略分类中部分信息披露的问题，研究代理在非完全了解分类器参数的情况下的最佳响应。我们展示了部分信息披露在增加代理操纵能力的同时，反直觉地有利于学习者的准确性，并提出了一些关于学习者优化问题的正面和负面结果，探讨了学习者应该披露多少信息来最大化预期准确性的算法问题。

Feb, 2024

本文研究算法决策，分析了在社会不平等的情况下，一方面面临更高的成本的候选群体可能会被错误地排除，而另一方面面临更低成本的候选群体可能会被错误地接受。本文还探讨了给予补贴的干预效果，发现某些情况下给予补贴只会提高算法决策者的效用，但实际上会损害所有候选群体的利益，包括补贴接收者。

Aug, 2018

研究在线线性分类问题，应对操纵特征的策略代理的对抗性选择和他们操纵向量的揭示偏好，提供一个计算有效的学习算法，获得减小的 Stackelberg 后悔以近似于最佳分类器。

Oct, 2017

该研究旨在解决用户如何根据机器的战略表征做出良好选择的问题，提出一种对抗机制学习算法，最小化误差并加强对抗能力。

Jun, 2022

在策略分类中，我们研究了在一次性场景下未知响应的策略分类问题，通过最小化最坏情况下的风险来确定最优的分类器，并提出了高效的算法以及对于成本函数的双范数正则化的重要性。

Nov, 2023

本研究提出了一种新的稳健性估计器，以避免在透明决策规则下个体的行为可能造成的操纵行为对决策结果的影响并在肯尼亚的一项大型实验中表明，在策略鲁棒方法估计的决策规则的指导下，其表现优于基于标准监督学习方法的规则。

Apr, 2020