从搜索到抽样：面向鲁棒算法补救的生成模型
机器学习
2025-05-13 v1
摘要
算法补救（Algorithmic Recourse）为受自动化模型决策影响的个体提供建议，指导其如何更改个人资料以实现有利结果。有效的补救方法必须在三个相互冲突的目标之间取得平衡：接近原始资料以最小化成本、可信度以实现真实可行的补救，以及有效性以确保达到所需结果。我们表明，现有方法在推断阶段分别训练这些目标，然后通过联合优化来搜索补救方案，导致补救建议不佳。我们引入GenRe，一种为训练目标而设计的生成式补救模型，以便联合训练三个补救目标。由于缺乏直接的补救监督，训练此类生成模型并不容易。我们提出了高效的监督合成方法，并进一步表明GenRe的训练导致一致的估计器。与大多数先前方法不同，使用基于梯度的非鲁棒搜索进行推断，GenRe仅通过对生成模型进行前向抽样即可生成最小成本的补救方案，从而在多个指标上实现优异性能。我们还演示了GenRe在成本、可信度和有效性之间提供最佳的权衡，与最先进的基线方法相比表现更佳。我们的代码可在 https://github.com/prateekgargx/genre 查阅。
引用
@article{arxiv.2505.07351,
title = {From Search To Sampling: Generative Models For Robust Algorithmic Recourse},
author = {Prateek Garg and Lokesh Nagalapatti and Sunita Sarawagi},
journal= {arXiv preprint arXiv:2505.07351},
year = {2025}
}