基于区间估计的随机选择原则方法：应用于同行评审与项目资助
计算机科学与博弈论
2025-10-23 v3 计算机与社会
摘要
许多决策过程都涉及评估后选择项目；例如包括科学同行评审、职位招聘、学校录取和投资决策。最终的选择是通过对原始评估应用规则或 deliberations，然后确定性地选择被认为最佳的项目来完成的。这类领域都存在评估错误和对未来结果不确定性的问题，这些问题削弱了此类确定性选择规则的可靠性。因此，越来越多的选择机制正在实际中采用包含不确定性的显式随机化。然而，当前的随机化方法往往是实验性的，而且如我们所证明的那样，对于其既定目标而言并不合适。本文提出了一种基于项目质量区间估计的原则化随机决策框架。我们引入 MERIT（Maximin Efficient Randomized Interval Top-k），这是一种基于优化的方法，可在由重叠区间（例如置信区间或最小-最大区间）表示的不确定性下，最大化最差情况下的预期顶级候选人数量。MERIT 提供了一种在可解释的鲁棒性概念下的最优资源分配方案。我们开发了一种求解该优化问题的多项式时间算法，并通过实证研究表明该方法可扩展至超过 1 万 个项目。我们证明了 MERIT 满足一系列理想的公理化属性，而现有方法则不一定如此。最后，我们在合成同行评审数据上对 various algorithms 进行了实证比较。我们的实验表明，MERIT 在完全概率性评审数据模型下，与前述工作中使用的算法在预期效用方面相当，而在我们新近提出的最坏情况公式下则表现更佳。
引用
@article{arxiv.2506.19083,
title = {A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding},
author = {Alexander Goldberg and Giulia Fanti and Nihar B. Shah},
journal= {arXiv preprint arXiv:2506.19083},
year = {2025}
}