公平数字分身的逆最优性：基于偏好的方法

数字分身（DTs）日益被用于复杂社会技术系统中的自主决策者，但其数学上最优的决策常常与人类期望相悖，暴露出算法与有限人类理性之间的持续性差距。为解决这一挑战，本文提出一种框架，在优化导向的数字分身中引入公平作为可学习的目标。具体而言，引入一种基于偏好的学习工作流程，直接从人类对可行决策的两两偏好中推断潜在的公平目标。开发了专用的Siamese神经网络，以条件化信息生成凸二次代价函数。所得的代理目标驱动优化过程，使解决方案更能反映人类感知的公平性，同时保持计算效率。该方法在新冠肺炎医院资源分配情境下得到有效验证。总体而言，本工作为将人类中心的公平性集成到自主决策系统的设计中提供了实用解决方案。