# 预测多样性

当多个预测表现相近的模型对同一个人给出不同判断时，针对其中一个模型算出的补救建议可能在另一个模型上失效。ORPM把补救问题写成在预算约束下最小化竞争模型集合上的最坏情况失效损失，并用近似最优响应预言机与乘性权重更新交替求解，理论上在损失有界、预言机全局误差受控时收敛到近似均衡。在一个合成数据集和五个真实数据集上，线性、神经网络、混合与决策树竞争集合中多数设置取得较高联合有效率；COMPAS上五棵决策树、预算为5时联合有效率为62.5%，高于RobX约束版的46.0%。

当多个预测表现相近的模型对同一个人给出不同判断时，针对其中一个模型算出的补救建议可能在另一个模型上失效。ORPM把补救问题写成在预算约束下最小化竞争模型集合上的最坏情况失效损失，并用近似最优响应预言机与乘性权重更新交替求解，理论上在损失有界、预言机全局误差受控时收敛到近似均衡。在一个合成数据集和五个真实数据集上，线性、神经网络、混合与决策树竞争集合中多数设置取得较高联合有效率；COMPAS上五棵决策树、预算为5时联合有效率为62.5%，高于RobX约束版的46.0%。