模型多重性下具有概率保证的稳健算法追索

基于摘要分析。本文研究算法追索（algorithmic recourse，即帮助个体获得目标预测结果的反事实改变建议）在模型更新后能否继续有效，提出 naturally-occurring model change 数学抽象与 Stability 度量，并在所定义的模型变化条件下建立反事实有效性的概率保证。 核心机制：已有方法常通过原模型与新模型之间的参数距离上界约束变化，但参数差异较大并不必然意味着预测或准确率明显变化。本文转而允许参数空间中的任意变化，同时限制数据流形上样本点的预测变化。针对神经网络等可微模型，作者提出 Stability，用于量化反事实对潜在模型变化的稳健性。 理论贡献：作者报告，借助独立高斯变量的 Lipschitz 函数集中界，足够高的 Stability 可使反事实在满足上述定义的模型变化后以高概率保持有效。这是有条件的概率保证，不能理解为对任意模型替换均成立。由于度量依赖数据点附近的局部 Lipschitz 常数，作者还研究了估计方法，并推导精确估计所需样本量的基本下界；具体假设、误差定义及界的形式尚未验证。 作者进一步探索利用稳定性度量生成距离较近、符合现实且在模型变化后仍有效的反事实，并讨论其与 model multiplicity（亦称 Rashomon effect）的联系。摘要未提供数据集、模型配置、对照方法或定量实验结果，实验协议、消融及统计信息尚未验证。本文主要对象是通用算法追索，而非 EEG 解码或 BCI；当前材料不足以建立具体迁移路径，已有 EEG 相关工作亦尚未检索确认。