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

Résumé

Alors que les systèmes d’apprentissage influencent de plus en plus les décisions du quotidien, la régulation par les utilisateurs au travers de modifications coordonnées par l’Action Collective Algorithmique (ACA) des données partagées constitue un complément aux politiques réglementaires et aux conceptions de modèles menées par les entreprises. Bien que les actions du monde réel aient traditionnellement été décentralisées et fragmentées au sein de multiples collectifs, malgré des objectifs globaux communs — chaque collectif se distinguant par sa taille, sa stratégie et ses objectifs d’action — la majorité des travaux sur l’ACA se sont concentrés sur des scénarios impliquant un seul collectif. Dans ce travail, nous proposons le premier cadre théorique permettant d’analyser l’ACA dans un contexte de plusieurs collectifs agissant sur un même système. Plus précisément, nous étudions l’action collective dans le cadre de la classification, en explorant comment plusieurs collectifs peuvent injecter des signaux, c’est-à-dire biaiser un classificateur afin qu’il établisse une association entre une version modifiée des caractéristiques et un ensemble choisi, potentiellement chevauchant, de classes cibles. Nous fournissons des résultats quantitatifs sur le rôle et l’interaction entre les tailles des collectifs et leur alignement des objectifs. En complément des résultats empiriques antérieurs, notre cadre ouvre la voie à une approche holistique de l’ACA impliquant plusieurs collectifs.