Your Recourse, My Loss? Algorithmic Recourse under Shared Constraints

तकनीकी सारांश: "आपका उपचार, मेरी हानि? साझा बाधाओं के तहत एल्गोरिद्मिक उपचार (Algorithmic Recourse)"

समस्या विवरण

एल्गोरिद्मिक उपचार (Algorithmic Recourse) पर वर्तमान शोध मुख्य रूप से एक एक-से-एक (one-to-one) धारणा पर आधारित है, जहाँ एक अकेला व्यक्ति एक एकल मॉडल से प्रतिकूल निर्णय को उलटने के लिए न्यूनतम-लागत वाले कार्य की तलाश करता है। हालाँकि, वास्तविक दुनिया की निर्णय लेने वाली प्रणालियों में कई-से-कई (many-to-many) अंतःक्रियाएं शामिल होती हैं: कई व्यक्ति (खोजकर्ता/seekers) सीमित संसाधनों के लिए कई निर्णय-निर्माताओं (प्रदाता/providers) के बीच प्रतिस्पर्धा करते हैं।

इन सेटिंग्स में, व्यक्तिगत रूप से इष्टतम उपचार अनुशंसाएँ स्वतंत्र नहीं होती हैं। जब प्रदाताओं के पास क्षमता संबंधी बाधाएं (capacity constraints) (यानी, वे कितने व्यक्तियों को स्वीकार कर सकते, इसकी एक सीमा) होती हैं, तो एक खोजकर्ता के लिए उपचार की वैधता दूसरे के कार्यों पर निर्भर करती है। अकेले में व्यक्तिगत कल्याण के लिए अनुकूलन करना अंतःक्रियाओं की अनदेखी करता है, जिससे एक कल्याण अंतराल (welfare gap) उत्पन्न होता है: वह सैद्धांतिक रूप से इष्टतम परिणाम और वास्तविक परिणाम के बीच का अंतर, जो तब होता है जब प्रत्येक खोजकर्ता अपने पसंदीदा प्रदाता तक पहुँच सकता है, लेकिन क्षमता बाधाओं के कारण ऐसा नहीं हो पाता। मौजूदा साहित्य ने बहु-खोजकर्ता परिदृश्यों को संबोधित किया है, लेकिन वे आमतौर पर एक एकल प्रदाता को मानते हैं या सीमित उपचार क्षमता में निहित सिस्टम-स्तरीय आवंटन समस्या की अनदेखी करते हैं।

कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जो बहु-एजेंट एल्गोरिद्मिक उपचार को एक क्षमता-युक्त भारित द्विपक्षीय मिलान समस्या (capacitated weighted bipartite matching problem) के रूप में मॉडल करता है।

1. समस्या का औपचारिक रूप (Problem Formalization):
   • खोजकर्ता ($S$) और प्रदाता ($P$): खोजकर्ताओं को फीचर वेक्टर्स द्वारा पहचाना जाता है; प्रदाताओं के पास निर्णय मॉडल (वर्गीकरणकर्ता/classifiers) और एक मिलान क्षमता $k_j$ होती है।
   • उपचार लागत (Recourse Cost): प्रत्येक खोजकर्ता-प्रदाता युग्म $(i, j)$ के लिए, एक लागत $c_{ij}$ पूर्व-निर्धारित की जाती है, जो प्रदाता $j$ के मॉडल को संतुष्ट करने के लिए खोजकर्ता के फीचर्स को बदलने के न्यूनतम प्रयास का प्रतिनिधित्व करती है।
   • भार रूपांतरण (Weight Transformation): लागतों को एज वेट्स (edge weights) $w_{ij} = e^{-\gamma \cdot c_{ij}}$ में परिवर्तित किया जाता है, जहाँ $\gamma$ एक स्केलिंग पैरामीटर है। यह रूपांतरण 'कांस्टेंट एब्सोल्यूट रिस्क एवर्जन' (CARA) को दर्शाता है, जो कम लागत वाले हस्तक्षेपों को प्राथमिकता देता है।
   • अनुकूलन परतें (Optimization Layers):
     • परत 1 (बुनियादी मिलान): सामाजिक कल्याण ($\sum w_{ij}z_{ij}$) को अधिकतम करने के लिए एक मिश्रित-पूर्णांक रैखिक प्रोग्राम (MILP) को हल करता है, जो व्यक्तिगत और क्षमता संबंधी बाधाओं के अधीन है। यह निश्चित क्षमताओं के तहत आधारभूत सामाजिक कल्याण स्थापित करता है।
     • परत 2 (इष्टतम क्षमता पुनर्वितरण): यह कल्याण अंतराल (Welfare Gap) को संबोधित करता है, जो प्रदाताओं के बीच एक निश्चित कुल क्षमता $K$ के वितरण को अनुकूलित करता है। लेखक एल्गोरिदम 1 का प्रस्ताव करते हैं, जो एक 'ग्रीडी' दृष्टिकोण है जो प्रदाताओं को उनके शीर्ष-$K$ व्यक्तिगत रूप से पसंदीदा मिलानों (उच्चतम भार) में उनकी उपस्थिति के आधार पर क्षमता आवंटित करता है। यह क्षमता आवंटन के लिए पूर्ण MILP को हल करने से बचता है, जो एक सीधा समाधान प्रदान करता है जो इष्टतम सामाजिक कल्याण को पुनः प्राप्त करता है।
     • परत 3 (लागत-जागरूक अनुकूलन): प्रारंभिक क्षमता विन्यास ($\hat{k}_j$) से विचलन के लिए एक दंड (penalty) पेश करता है। ऑब्जेक्टिव फंक्शन सामाजिक कल्याण को अधिकतम करने और क्षमता समायोजन की लागत ($\sum \beta_j |\Delta k_j|$) को न्यूनतम करने के बीच संतुलन बनाता है, जिससे समाधान वास्तविक दुनिया के कार्यान्वयन के लिए व्यावहारिक बनता है जहाँ संरचनात्मक परिवर्तन महंगे होते हैं।
   • असमानता-विरोधी विस्तार (Inequality-Averse Extension): असमानता को संबोधित करने के लिए, रैखिक उपयोगितावादी (utilitarian) उद्देश्य को एक अवतल सामाजिक कल्याण फलन (concave social welfare function) ($\sum u_i^\alpha$) से बदल दिया जाता है। यह सूत्र उन खोजकर्ताओं को प्राथमिकता देता है जिनकी उपयोगिता कम (उच्च उपचार लागत) है, जो समग्र दक्षता के बदले वितरणात्मक समानता (distributive equity) को प्राथमिकता देता है। एक इक्विटी मेट्रिक ($E$) को किसी भी सफलतापूर्वक मिलान किए गए खोजकर्ता द्वारा प्राप्त न्यूनतम उपयोगिता के रूप में परिभाषित किया गया है।

मुख्य योगदान

• कई-से-कई ढांचा (Many-to-Many Framework): यह पेपर एल्गोरिद्मिक उपचार को अलग-थलग व्यक्तिगत अनुशंसाओं से बदलकर एक सिस्टम-स्तरीय डिज़ाइन में विस्तारित करता है जिसमें कई खोजकर्ता और क्षमता बाधाओं वाले कई प्रदाता शामिल हैं।
• कल्याण अंतराल का परिमाणीकरण: यह उस दक्षता हानि (वैलफेयर गैप) को औपचारिक रूप से परिभाषित और मापता है जो तब उत्पन्न होती है जब क्षमता बाधाओं के कारण व्यक्तिगत रूप से इष्टतम अनुशंसाएँ सिस्टम स्तर पर अव्यवहार्य हो जाती हैं।
• तीन-परतीय अनुकूलन:
  1. एक आधारभूत क्षमतायुक्त मिलान सूत्रीकरण।
  2. एक कुशल एल्गोरिदम (एल्गोरिदम 1) जो कल्याण अंतराल को न्यूनतम करने के लिए इष्टतम क्षमता पुनर्वितरण करता है।
  3. एक लागत-जागरूक अनुकूलन जो कल्याण लाभ और प्रदाता क्षमताओं को संशोधित करने की परिचालन लागत के बीच संतुलन बनाता है।
• असमानता-विरोधी सूत्रीकरण: एक अवतल कल्याण उद्देश्य का परिचय जो स्पष्ट रूप से वंचित खोजकर्ताओं को प्राथमिकता देता है, यह प्रदर्शित करता है कि मामूली दक्षता हानि के साथ महत्वपूर्ण समानता लाभ प्राप्त किए जा सकते हैं।

प्रयोगात्मक परिणाम

ढांचे को सिंथेटिक (Two-Moon) और वास्तविक दुनिया (Credit, COMPAS) के डेटासेट पर विभिन्न संख्या में खोजकर्ताओं और प्रदाताओं के साथ सत्यापित किया गया।

• कल्याण प्राप्ति: निश्चित, मनमाने क्षमता वितरण के तहत, सिस्टम ने केवल 83–93% सैद्धांतिक व्यक्तिगत कल्याण प्राप्त किया।
• पुनर्वितरण का प्रभाव: इष्टतम क्षमता पुनर्वितरण (परत 2) लागू करने से सामाजिक कल्याण व्यक्तिगत कल्याण के ऊपरी स्तर के 100% तक बहाल हो गया, जो यह सिद्ध करता है कि कल्याण अंतराल मुख्य रूप से संसाधनों की कमी के बजाय गलत आवंटन के कारण है।
• लागत-जागरूक ट्रेड-ऑफ: लागत-जागरूक अनुकूलन (परत 3) ने प्रारंभिक क्षमता विन्यास के मामूली समायोजन के साथ लगभग-इष्टतम कल्याण (इष्टतम का 93–99%) प्राप्त किया, जो व्यावहारिक व्यवहार्यता को प्रदर्शित करता है।
• निष्पक्षता-दक्षता ट्रेड-ऑफ: असमानता-विरोधी प्रयोगों में, $\alpha$ पैरामीटर को कम करने (असमानता के प्रति बढ़ता विरोध) से सबसे खराब स्थिति वाले खोजकर्ताओं के लिए न्यूनतम उपयोगिता (इक्विटी मेट्रिक $E$) दोगुनी हो गई, जबकि कुल सामाजिक कल्याण में केवल ~3.4% की हानि हुई।
• हाइपरपैरामीटर संवेदनशीलता: अध्ययन ने स्केलिंग पैरामीटर $\gamma$ का विश्लेषण किया, और $\gamma$ तथा कल्याण प्राप्ति के बीच एक "U-आकार" के संबंध की पहचान की। यह एक ऑपरेटिंग रेंज (वक्र का "एल्बो") का सुझाव देता है जहाँ लागत अंतर सार्थक होते हैं बिना गैर-इष्टतम विकल्पों को अविभेद्य बनाए।

महत्व और दावे

यह पेपर व्यक्तिगत एल्गोरिद्मिक उपचार और सिस्टम-स्तरीय डिज़ाइन के बीच के अंतर को पाटने का दावा करता है। इसका प्राथमिक महत्व यह प्रदर्शित करने में है कि:

1. सिस्टम-स्तरीय समन्वय आवश्यक है: संसाधन-बाधित वातावरण में व्यक्तिगत रूप से इष्टतम अनुशंसाएँ पर्याप्त नहीं हैं; लगभग इष्टतम सामाजिक कल्याण प्राप्त करने के लिए समन्वित आवंटन आवश्यक है।
2. न्यूनतम परिवर्तन के साथ दक्षता प्राप्त की जा सकती है: कल्याण अंतराल को संसाधनों की कुल क्षमता में भारी वृद्धि करने के बजाय, मौजूदा संसाधनों को इष्टतम रूप से पुनर्वितरित करके लगभग पूरी तरह से समाप्त किया जा सकता है।
3. उपचार एक डिज़ाइन विकल्प है: उपचार का आवंटन केवल एक तकनीकी अनुकूलन समस्या नहीं है बल्कि एक मूल्य-आधारित सिस्टम डिज़ाइन निर्णय है। यह ढांचा समग्र दक्षता और वितरणात्मक निष्पक्षता के बीच संतुलन बनाने के लिए एक सुलभ मार्ग प्रदान करता है, जिससे हितधारकों को यह चुनने की अनुमति मिलती है कि संसाधनों की कमी होने पर सबसे वंचित व्यक्तियों को कैसे प्राथमिकता दी जाए।

लेखक निष्कर्ष निकालते हैं कि उनका कार्य ऐसे उपचार प्रणालियों को डिजाइन करने के लिए एक आधार प्रदान करता है जो न केवल व्यक्तियों के लिए कार्रवाई योग्य हैं, बल्कि जनसंख्या के स्तर पर कुशल और निष्पक्ष भी हैं।