퍼포먼스 예측의 안정성: 반복 재학습과 전략적 분류의 새로운 통합 프레임워크

본 논문은 예측 모델이 실제 의사결정에 사용될 때, 그 예측 자체가 목표 변수의 분포를 바꾸는 현상을 “퍼포먼스 예측(performative prediction)”이라 명명하고, 이를 정량화하기 위한 새로운 위험 최소화 프레임워크를 제시한다. 전통적인 통계 학습에서는 고정된 데이터 분포 D 위에서 손실 ℓ(Z;θ)의 기대값을 최소화하는 파라미터 θ_SL을 찾는다. 그러나 퍼포먼스 상황에서는 모델 파라미터 θ가 배포될 때마다 데이터 생성 과정이 달라지므로, 각 θ에 대응하는 분포 D(θ)를 정의한다. 이 매핑 D(·)는 모델이 만든 정책·결정이 실제 세계에 미치는 영향을 포괄적으로 표현한다. 새롭게 정의된 퍼포먼스 위험 PR(θ)=E_{Z∼D(θ)}