Resumo Técnico: O Fim Justifica o Meio: Uma Regra de Classificação Linear para Decisões Sequenciais Proporcionais

1. Formulação do Problema

O artigo aborda o desafio de escolher coletivamente uma regra de decisão para uso repetido em contextos de design democrático, como alinhamento de IA, alocação de recursos (por exemplo, troca de rins, doação de alimentos) e design participativo. Especificamente, os autores focam em regras de classificação linear, onde um lote de $m$ itens $X = (x_1, \dots, x_m)$, cada um descrito por um vetor de características $x \in \mathbb{R}^d$, é classificado com base em uma pontuação $s_\theta(x) = \langle \theta, x \rangle$ derivada de um vetor de pontuação fixo $\theta$.

O problema central de agregação é definido da seguinte forma: Dado $n$ tipos de eleitores com vetores de pontuação ideais $\theta^{(1)}, \dots, \theta^{(n)}$ e frações populacionais $\alpha^{(1)}, \dots, \alpha^{(n)}$, como deve-se selecionar um vetor de pontuação coletivo $\theta^*$?

A preocupação central é a desigualdade representativa ao longo do tempo. Uma regra fixa aplicada repetidamente pode alinhar-se consistentemente com as preferências de uma maioria, enquanto sistematicamente anula pontos de vista minoritários. O artigo busca um mecanismo de agregação que satisfaça a Proporcionalidade Individual (IP): se o tipo de eleitor $i$ constitui uma fração $\alpha^{(i)}$ da população, a classificação coletiva deve concordar com a classificação preferida pelo tipo $i$ em pelo menos uma fração $\alpha^{(i)}$ dos pares de itens.

O artigo distingue entre duas noções de IP:

1. IP de Longo Prazo: A proporcionalidade vale em expectativa sobre lotes retirados de uma distribuição $\mathcal{D}$.
2. IP por Lote: A proporcionalidade vale para cada lote específico $X$ (ou em expectativa sobre o acordo mínimo dentro de um lote).

2. Metodologia e Estrutura Teórica

2.1. O Fracasso da Média Aritmética

A abordagem padrão na literatura é a média aritmética ($\theta_{\text{arith}}$), definida como a média ponderada dos vetores de pontuação individuais. Os autores citam Feffer et al. [2023] para demonstrar que $\theta_{\text{arith}}$ é severamente majoritária. Em "Construções Antipodais" (onde dois tipos de eleitores possuem vetores diametralmente opostos), a média aritmética pode convergir inteiramente para o vetor da maioria, resultando em zero acordo para a minoria, independentemente do tamanho do lote ou da distribuição.

2.2. A Média Angular ($\theta_{\text{ang}}$)

A principal contribuição metodológica é a proposta da média angular como uma regra de agregação alternativa. Ela é definida como o minimizador da soma ponderada dos quadrados das distâncias angulares:
$$\theta_{\text{ang}} := \arg\min_{\theta \in S^{d-1}} \sum_{i=1}^n \alpha^{(i)} \angle(\theta, \theta^{(i)})^2$$
Diferentemente da média aritmética, que minimiza a distância euclidiana, a média angular opera na esfera $S^{d-1}$, respeitando a natureza geométrica das direções de classificação.

2.3. Análise Teórica

Os autores analisam as propriedades de $\theta_{\text{ang}}$ sob a suposição de distribuições de itens simetricamente esféricas ($\mathcal{D}^\circ$).

• IP de Longo Prazo: Eles provam que $\theta_{\text{ang}}$ satisfaz a IP de Longo Prazo (ou seja, alcança um nível de proporcionalidade de pelo menos 1) para qualquer perfil. Isso depende de uma propriedade geométrica fundamental: a média angular situa-se dentro de um ângulo de $(1 - \alpha^{(i)})\pi$ do vetor ideal $\theta^{(i)}$ de cada eleitor.
• IP por Lote: O artigo estabelece um resultado de impossibilidade para a IP por Lote. Nenhuma regra de classificação linear fixa pode garantir proporcionalidade para cada lote individual, mesmo quando as cotas são integrais. Isso deve-se a lotes "quase colineares", onde os itens se alinham de tal forma que forçam uma regra linear a discordar completamente de pelo menos um tipo de eleitor.
• Convergência: No entanto, os autores provam que a lacuna entre a IP por Lote e a IP de Longo Prazo diminui rapidamente à medida que o tamanho do lote $m$ aumenta. Especificamente, o desvio é limitado por $O(\sqrt{\frac{\min(\log n, d \log(m/d))}{m}})$.

3. Contribuições Principais

1. Existência de uma Regra Linear Proporcional: O artigo prova que a média angular é uma regra linear fixa, simples e interpretável que garante Proporcionalidade Individual de Longo Prazo para distribuições simetricamente esféricas. Isso resolve a questão em aberto sobre se alguma regra linear fixa pode equilibrar opiniões divergentes sem ser inerentemente majoritária.
2. Propriedade Geométrica Fundamental: Os autores estabelecem um novo teorema (Teorema 3.3) sobre a média angular em $d$ dimensões: para qualquer perfil, a média angular é garantida de situar-se dentro de um ângulo de $(1 - \alpha^{(i)})\pi$ do vetor de qualquer eleitor $i$. Isso generaliza resultados conhecidos em 2D para dimensões superiores.
3. Limites de Impossibilidade e Convergência: O artigo prova formalmente que a IP por Lote é impossível para regras lineares fixas (Teorema 4.3), mas demonstra que a perda incorrida ao restringir-se a regras fixas é negligenciável para tamanhos de lote grandes (Teorema 4.5).
4. Robustez: A média angular mostra-se robusta; se um vetor de pontuação estiver próximo de $\theta_{\text{ang}}$ em distância angular, suas garantias de proporcionalidade degradam-se apenas aditivamente.

4. Resultados Empíricos

Os autores avaliam cinco mecanismos de agregação em três conjuntos de dados do mundo real (Moral Machine, Troca de Rins, Resgate de Alimentos) e suas variantes sintéticas 2D projetadas para aumentar a heterogeneidade dos eleitores:

• Regras Testadas: Média Aritmética ($\theta_{\text{arith}}$), Média Angular ($\theta_{\text{ang}}$), Mediana Geométrica, Contagem de Borda e Borda Sequencial Proporcional (PSB).
• Regimes Homogêneos: Nos conjuntos de dados originais, onde as preferências dos eleitores são relativamente semelhantes, todas as regras (incluindo a média aritmética) performam de forma similar e satisfazem a proporcionalidade.
• Regimes Heterogêneos (Dados 2D): Quando os vetores dos eleitores se espalham por um arco amplo (simulando alto desacordo):
  • A média aritmética e a mediana geométrica falham significativamente, frequentemente caindo abaixo da cota proporcional (IP-Longo < 1).
  • A média angular supera substancialmente a média aritmética e a mediana geométrica, mantendo IP-Longo $\ge 1$.
  • O PSB (uma regra não linear e não fixa) performa melhor, confirmando que relaxar a restrição de "linear fixo" gera ganhos adicionais, mas a média angular permanece a melhor regra linear fixa performante.
• Convergência: Os resultados empíricos confirmam que a IP por Lote converge para a IP de Longo Prazo muito rapidamente à medida que o tamanho do lote $m$ cresce, mesmo para $m$ pequeno.

5. Significado e Alegações

O artigo afirma fornecer um ponto de referência de melhor caso para a agregação de regras de decisão. Ao mostrar que uma regra linear fixa (a média angular) pode satisfazer a proporcionalidade de longo prazo, os autores argumentam que pipelines de menor informação (que devem aprender regras a partir de dados ruidosos) devem visar preservar a estrutura da média angular.

O significado reside em:

• Corrigir uma Falha Majoritária: Identifica uma alternativa simples e interpretável à média aritmética que evita a "tirania da maioria" na tomada de decisões repetida.
• Garantias Teóricas: Fornece a primeira prova de que uma regra linear fixa pode satisfazer a proporcionalidade individual de longo prazo, uma propriedade anteriormente considerada difícil ou impossível para regras fixas.
• Aplicabilidade Prática: A média angular é computacionalmente tratável (via otimização baseada em gradiente) e robusta a distribuições não esféricas na prática, tornando-a uma candidata viável para aplicações do mundo real em alinhamento de IA e design participativo.

Os autores permanecem modestos quanto às limitações, reconhecendo que, embora $\theta_{\text{ang}}$ resolva o problema de longo prazo, ela não pode alcançar a garantia mais forte por lote sem sacrificar a restrição de "linear fixo", um trade-off que diminui com tamanhos de lote maiores.