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

文章探讨了预测可能影响其预测目标的可执行性预测，并提出了一种风险最小化框架，引入了统计学、博弈论和因果性的概念，并给出了最小化损失的稳定点的必要和充分条件。在全面性上，表现性预测严格包含战略分类设置，并给出了克服战略反馈效应的重新培训的首个充分条件。

Feb, 2020

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

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

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

CounterfacTS 是一个用于通过反事实来探测深度学习模型在时间序列预测任务中的鲁棒性的工具，具有用户友好的界面，可视化、比较和量化时间序列数据及其预测结果，并允许用户以可解释的方式应用各种转换探索预测的变化。通过示例案例，我们说明了 CounterfacTS 如何用于识别时间序列集合的主要特征、评估模型性能的依赖性以及指导转换原始时间序列以创建具有期望属性的反事实，从而提高在数据分布的新区域中的预测性能，并讨论了在转换时间序列和创建有效的反事实时可视化和考虑数据在投影特征空间中的位置的重要性。总体而言，CounterfacTS 有助于创建反事实，以高效地探索原始数据未涵盖的假设情景对于时间序列预测任务的影响。

Mar, 2024

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

使用因果领域转移模拟决策支持系统的部署，并提供条件期望的新型跨领域识别结果，既可事前又可事后评估决策支持系统的部署，并通过重新训练模型评估在未部署决策支持系统情况下的风险，为多种形式的目标变量偏差提供了实用的统一解决方案。

Mar, 2024

通过对执行预测的稳定解的公平性进行研究，我们发现在模型依赖的分布变化情况下，现有的公平机制可能会引发严重的极化效应和组内损失差异，并提出了一种能够同时实现稳定和公平的新的公平干预机制。

Jun, 2024

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