技術的概要：目的は手段を正当化する：比例 sequential 決定のための線形ランキング規則

1. 問題定義

本論文は、AI アライメント、資源配分（臓器交換、食品寄付など）、参加型デザインといった民主的デザイン文脈において、繰り返し使用される「決定規則を集合的に選択する」という課題に取り組んでいる。特に著者らは、固定されたスコアリングベクトル $\theta$ から導出されるスコア $s_\theta(x) = \langle \theta, x \rangle$ に基づいて、特徴ベクトル $x \in \mathbb{R}^d$ で記述された $m$ 個のアイテムのバッチ $X = (x_1, \dots, x_m)$ をランキングする「線形ランキング規則」に焦点を当てている。

核心的な集約問題は以下の通り定義される：理想とするスコアリングベクトル $\theta^{(1)}, \dots, \theta^{(n)}$ と人口割合 $\alpha^{(1)}, \dots, \alpha^{(n)}$ を持つ $n$ 種類の有権者が与えられたとき、集合的なスコアリングベクトル $\theta^*$ をどのように選択すべきか？

中心的な懸念は「時間的表現の不平等」である。繰り返し適用される固定規則は、多数派の選好と一貫して整合する一方で、体系的に少数派の視点を覆い隠す可能性がある。本論文は、「個人比例性（IP）」を満たす集約メカニズムを追求する：有権者タイプ $i$ が人口の割合 $\alpha^{(i)}$ を占める場合、集合的ランキングは、少なくとも $\alpha^{(i)}$ 分のアイテムペアにおいて、タイプ $i$ が好むランキングと一致しなければならない。

本論文は IP の 2 つの概念を区別する：

1. 長期的 IP：分布 $\mathcal{D}$ から引き出されたバッチにわたる期待値において比例性が成立すること。
2. バッチ毎 IP：各 特定のバッチ $X$ に対して比例性が成立すること（または、バッチ内の最小一致度に関する期待値において成立すること）。

2. 手法と理論的枠組み

2.1. 算術平均の失敗

文献における標準的なアプローチは、個々のスコアリングベクトルの加重平均として定義される算術平均（$\theta_{\text{arith}}$）である。著者らは Feffer ら [2023] を引用し、$\theta_{\text{arith}}$ が極めて多数派主義的であることを示している。「対極的構成」（2 つの有権者タイプが diametrically opposed なベクトルを持つ場合）において、算術平均は完全に多数派のベクトルに収束し、バッチサイズや分布に関わらず、少数派の一致度がゼロになる可能性がある。

2.2. 角平均（$\theta_{\text{ang}}$）

主要な方法的貢献は、代替的な集約規則として角平均を提案することである。これは加重された二乗角距離の和を最小化するものとして定義される：
$$\theta_{\text{ang}} := \arg\min_{\theta \in S^{d-1}} \sum_{i=1}^n \alpha^{(i)} \angle(\theta, \theta^{(i)})^2$$
ユークリッド距離を最小化する算術平均とは異なり、角平均は球面 $S^{d-1}$ 上で動作し、ランキング方向の幾何学的性質を尊重する。

2.3. 理論的解析

著者らは、球対称なアイテム分布（$\mathcal{D}^\circ$）を仮定して $\theta_{\text{ang}}$ の性質を分析する。

• 長期的 IP：彼らは、いかなるプロファイルに対しても $\theta_{\text{ang}}$ が長期的 IP を満たす（すなわち、比例性レベルが少なくとも 1 に達する）ことを証明する。これは、角平均がすべての有権者の理想ベクトル $\theta^{(i)}$ から $(1 - \alpha^{(i)})\pi$ 以内の角度内に位置するという基本的な幾何学的性質に依存している。
• バッチ毎 IP：本論文は、バッチ毎 IP に関する不可能性結果を確立する。 entitlement が整数であっても、固定された線形ランキング規則が各単一のバッチに対して比例性を保証することは不可能である。これは、アイテムが何らかの形で整列し、線形規則が少なくとも 1 つの有権者タイプと完全に一致しなくなる「ほぼ共線」なバッチが存在するためである。
• 収束：しかし、著者らは、バッチ毎 IP と長期的 IP の間のギャップがバッチサイズ $m$ の増加とともに急速に縮小することを証明する。具体的には、偏差は $O(\sqrt{\frac{\min(\log n, d \log(m/d))}{m}})$ によって有界となる。

3. 主要な貢献

1. 比例性を持つ線形規則の存在：本論文は、角平均が、球対称分布に対して長期的個人比例性を保証する、単純で解釈可能かつ固定された線形規則であることを証明する。これは、本質的に多数派主義的になることなく多様な意見をバランスさせる固定された線形規則が存在するかどうかという未解決の問題を解決する。
2. 基本的な幾何学的性質：著者らは、$d$ 次元における角平均に関する新しい定理（定理 3.3）を確立する：いかなるプロファイルに対しても、角平均は任意の有権者 $i$ のベクトルから $(1 - \alpha^{(i)})\pi$ 以内の角度内に位置することが保証される。これは既知の 2 次元の結果をより高次元に一般化するものである。
3. 不可能性と収束の境界：本論文は、固定された線形規則に対してバッチ毎 IP が不可能であることを形式的に証明する（定理 4.3）が、固定規則に制限することによる損失は、大規模なバッチサイズに対しては無視できるほど小さいことを示している（定理 4.5）。
4. 頑健性：角平均は頑健であることが示されている。スコアリングベクトルが角距離において $\theta_{\text{ang}}$ に近い場合、その比例性の保証は加法的にのみ劣化する。

4. 実証結果

著者らは、3 つの実世界データセット（モラルマシーン、臓器交換、食品レスキュー）と、有権者の多様性を高めるように設計された合成 2 次元変種に対して、5 つの集約メカニズムを評価した：

• テストされた規則：算術平均（$\theta_{\text{arith}}$）、角平均（$\theta_{\text{ang}}$）、幾何学的中央値、ボルダカウント、比例 sequential ボルダ（PSB）。
• 均質レジーム：有権者の選好が比較的類似している元のデータセットでは、算術平均を含むすべての規則が同様に機能し、比例性を満たす。
• 異質レジーム（2 次元データ）：有権者ベクトルが広い弧に広がっている場合（高い不一致をシミュレート）：
  • 算術平均と幾何学的中央値は著しく失敗し、多くの場合、比例 entitlement を下回る（Long-IP < 1）。
  • 角平均は算術平均や幾何学的中央値を大幅に上回り、Long-IP $\ge 1$ を維持する。
  • PSB（非線形で固定されていない規則）が最良のパフォーマンスを示し、「固定線形」制約を緩和することがさらなる利益をもたらすことを確認したが、角平均は最良のパフォーマンスを示す固定線形規則である。
• 収束：実証結果は、バッチサイズ $m$ が大きくなるにつれて、バッチ毎 IP が非常に迅速に長期的 IP に収束することを確認しており、$m$ が小さくても同様である。

5. 意義と主張

本論文は、決定規則を集約するための最善ケースのベンチマークを提供すると主張している。固定された線形規則（角平均）が長期的比例性を満たしうることを示すことで、著者らは、ノイズの多いデータから規則を学習しなければならない低情報パイプラインは、角平均の構造を維持することを目標とすべきであると論じている。

その意義は以下の点にある：

• 多数派主義的欠陥の修正：繰り返し意思決定における「多数派の専制」を回避する、単純で解釈可能な算術平均の代替案を特定する。
• 理論的保証：固定された線形規則が長期的個人比例性を満たしうることを証明する初の試みであり、これは以前は固定規則に対して困難または不可能であると考えられていた性質である。
• 実用的適用性：角平均は（勾配ベースの最適化を通じて）計算的に実行可能であり、実際には非球対称分布に対しても頑健であるため、AI アライメントや参加型デザインにおける実世界応用の有力な候補となる。

著者らは限界について謙虚であり、$\theta_{\text{ang}}$ が長期的な問題を解決する一方で、「固定線形」制約を犠牲にしない限り、より強力なバッチ毎保証を達成することはできないことを認めている。このトレードオフは、バッチサイズが大きくなるにつれて減少する。