你的可救性，我的损失？在共享约束下的算法可救性
人工智能
2026-05-12 v2
摘要
决策者越来越依赖机器学习应用于敏感情境。算法可救性旨在为个体提供可操作且最小成本的步骤，以逆转不利的 AI 驱动决定。虽然现有研究聚焦于单个人（即寻求者）和单模型（即提供者）场景，但现实应用涉及多个利益相关者。在个人福利方法下优化寻求者的结果，忽略了现实系统的多主体性质，以及对有限资源的竞争。因此，我们将算法可救性扩展到一个多对多的场景中，包含容量约束，在此情境下， individually 计算的可救性建议不再独立组成，利益相关者之间的相互作用影响可救性的有效性。我们将这种多主体算法可救性建模为一个基于可救性成本和提供者容量的容量加权二分匹配问题。边权重反映可救性成本，针对社会福利进行优化，同时量化个人福利与此集体可行结果之间的福利差距。我们提出了三个优化层次：容量匹配、最优容量再分配和成本感知优化。我们进一步通过一个凹函数社会福利公式来建模不平等厌恶目标，该公式优先考虑最不利的寻求者。实验表明，我们的框架能够实现 many-to-many 算法可救性接近最优福利，同时对系统设置的修改最小。我们的结果还显示，可救性系统如何设计以平衡总福利与分配考虑。我们将算法可救性从个人建议扩展到系统层面的设计，为实现更高的社会福利提供了可行的路径，同时保持 individual 的可操作性。
引用
@article{arxiv.2508.11070,
title = {Your Recourse, My Loss? Algorithmic Recourse under Shared Constraints},
author = {Zahra Khotanlou and Kate Larson and Amir-Hossein Karimi},
journal= {arXiv preprint arXiv:2508.11070},
year = {2026}
}