通过自适应偏好 elicitation 实现成本自适应的算法补救推荐

算法补救（algorithmic recourse）旨在为受试者推荐一种具有成本效益的行动，以逆转不利的机器学习分类决策。文献中大多数现有方法在生成补救措施时，均假设完全知晓成本函数。在实际应用中，受试者可能具有不同的偏好，导致关于其潜在成本函数的信息不完整。本文提出了一种将偏好学习融入补救生成问题的两步法。第一步，我们设计了一个问答框架，以顺序细化受试者马氏距离矩阵成本（Mahalanobis matrix cost）的置信集。随后，我们利用两种方法生成补救措施：基于梯度和基于图的成本自适应补救，这两种方法在考虑成本矩阵整个置信集的同时确保了有效性。数值评估表明，与最先进的基线方法相比，我们的方法在提供具有成本效益的补救推荐方面具有显著优势。