Claudio Battiloro, Pietro Greiner, Bret Nestor, Oumaima Amezgar, Francesca Dominici

摘要

随着学习系统在日常决策中发挥越来越重要的作用，通过算法集体行动（Algorithmic Collective Action, ACA）对共享数据进行协调性调整，从而实现用户端的引导，正成为监管端政策与企业端模型设计的一种有益补充。尽管现实中的行动传统上是分散且碎片化的，多个集体虽共享总体目标，但各自在规模、策略和可执行目标上存在差异，但现有ACA研究大多集中于单一集体的场景。本文首次提出了一个适用于多个集体共同作用于同一系统的ACA理论框架。具体而言，我们聚焦于分类任务中的集体行动，研究多个集体如何通过植入信号——即引导分类器学习特征修改版本与选定的、可能相互重叠的目标类别集合之间的关联——来实现干预。我们给出了关于集体规模及其目标一致性在其中所起作用及其相互作用的定量分析结果。该框架在补充以往实证研究的基础上，为全面探讨多集体参与的ACA提供了新的研究路径。