AI驱动的资源分配极限：阿尔泰拉不确定性下的最优筛选
人工智能
2026-05-11 v1
摘要
机器学习的兴起已将面向政策与人道主义场景的定向资源分配从基于预测风险评分的算法方法转向。这种方法通常比直接通过物理验证观测潜在脆弱性状态的传统筛选程序更便宜、更快。然而，即便拥有真实条件下脆弱性概率的访问，仍无法消除误分配：阿尔泰拉不确定性对个体脆弱性状态不可约简，概率性定向分配不可避免地会产生一些资源误配。本文研究了在两阶段分配框架中，如何将筛选与算法定向相结合：第一个阶段观察子样本的真实结果，第二个阶段在固定覆盖预算下进行最终分配。我们证明，最优策略在算法分配边缘处对单位进行筛选，而直接针对最高风险单位进行定向。此外，我们经验性地刻画了何时筛选与算法定向作为互补或替代品：随着人口阿尔泰拉不确定性的增加，筛选带来的效率收益随之增长。我们以收入基于的社会保障项目和哥伦比亚人道主义掘矿为例说明了该框架，其中筛选成本与分配效率之间的紧张关系在实际操作中具有现实意义。
引用
@article{arxiv.2605.07979,
title = {The Limits of AI-Driven Allocation: Optimal Screening under Aleatoric Uncertainty},
author = {Santiago Cortes-Gomez and Mateo Dulce Rubio and Carlos Patino and Bryan Wilder},
journal= {arXiv preprint arXiv:2605.07979},
year = {2026}
}