技术摘要：结果证明手段合理：一种用于比例序贯决策的线性排序规则

1. 问题陈述

本文探讨了在民主设计背景（如人工智能对齐、资源分配（例如肾脏交换、食物捐赠）和参与式设计）中，为重复使用集体选择决策规则所面临的挑战。具体而言，作者聚焦于线性排序规则，即基于固定评分向量 $\theta$ 导出的分数 $s_\theta(x) = \langle \theta, x \rangle$，对由特征向量 $x \in \mathbb{R}^d$ 描述的 $m$ 个物品组成的批次 $X = (x_1, \dots, x_m)$ 进行排序。

核心聚合问题定义如下：给定 $n$ 种选民类型，其理想评分向量为 $\theta^{(1)}, \dots, \theta^{(n)}$，人口比例为 $\alpha^{(1)}, \dots, \alpha^{(n)}$，应如何选择集体评分向量 $\theta^*$？

核心关切是随时间推移的代表性不平等。反复应用固定规则可能会持续迎合多数派的偏好，同时系统性地压制少数派的观点。本文寻求一种满足**个体比例性（IP）**的聚合机制：如果选民类型 $i$ 占人口比例为 $\alpha^{(i)}$，则集体排序应在至少 $\alpha^{(i)}$ 比例的物品对上与该类型偏好的排序达成一致。

本文区分了两种 IP 概念：

1. 长期 IP：比例性在从分布 $\mathcal{D}$ 中抽取的批次的期望中成立。
2. 每批次 IP：比例性对每一个特定批次 $X$ 成立（或在批次内最小一致性的期望中成立）。

2. 方法论与理论框架

2.1. 算术平均的失效

文献中的标准方法是算术平均（$\theta_{\text{arith}}$），定义为个体评分向量的加权平均。作者引用 Feffer 等人 [2023] 的研究表明，$\theta_{\text{arith}}$ 具有严重的多数派倾向。在“对跖构造”（即两种选民类型拥有完全相反的向量）中，算术平均可能完全收敛于多数派的向量，导致无论批次大小或分布如何，少数派的一致性均为零。

2.2. 角平均（$\theta_{\text{ang}}$）

主要的方法论贡献是提出角平均作为一种替代聚合规则。它被定义为加权平方角距离之和的最小化器：
$$\theta_{\text{ang}} := \arg\min_{\theta \in S^{d-1}} \sum_{i=1}^n \alpha^{(i)} \angle(\theta, \theta^{(i)})^2$$
与最小化欧几里得距离的算术平均不同，角平均在球面 $S^{d-1}$ 上运作，尊重排序方向的几何本质。

2.3. 理论分析

作者在球对称物品分布（$\mathcal{D}^\circ$）的假设下分析了 $\theta_{\text{ang}}$ 的性质。

• 长期 IP：他们证明了对于任何画像，$\theta_{\text{ang}}$ 都满足长期 IP（即达到至少为 1 的比例性水平）。这依赖于一个基本的几何性质：角平均位于每个选民的理想向量 $\theta^{(i)}$ 的 $(1 - \alpha^{(i)})\pi$ 角度范围内。
• 每批次 IP：本文确立了每批次 IP 的不可能性结果。即使权益是整数，也没有固定的线性排序规则能保证对每一个单一批次都满足比例性。这是由于“近共线”批次的存在，其中物品的排列方式迫使线性规则与至少一种选民类型完全不一致。
• 收敛性：然而，作者证明了随着批次大小 $m$ 的增加，每批次 IP 与长期 IP 之间的差距迅速缩小。具体而言，偏差被限制在 $O(\sqrt{\frac{\min(\log n, d \log(m/d))}{m}})$ 以内。

3. 主要贡献

1. 比例线性规则的存在性：本文证明了角平均是一种简单、可解释的固定线性规则，它能为球对称分布保证长期个体比例性。这解决了是否有任何固定线性规则能在不 inherently 偏向多数派的情况下平衡不同意见这一开放性问题。
2. 基本几何性质：作者建立了一个关于 $d$ 维空间中角平均的新定理（定理 3.3）：对于任何画像，角平均保证位于任何选民 $i$ 的向量的 $(1 - \alpha^{(i)})\pi$ 角度范围内。这将已知的二维结果推广到了更高维度。
3. 不可能性与收敛界：本文正式证明了对于固定线性规则，每批次 IP 是不可能的（定理 4.3），但表明将规则限制为固定规则所导致的损失在大批次规模下是微不足道的（定理 4.5）。
4. 鲁棒性：研究表明角平均具有鲁棒性；如果评分向量在角距离上接近 $\theta_{\text{ang}}$，其比例性保证仅呈加性退化。

4. 实证结果

作者在三个真实世界数据集（道德机器、肾脏交换、食物救援）及其旨在增加选民异质性的合成二维变体上评估了五种聚合机制：

• 测试规则：算术平均（$\theta_{\text{arith}}$）、角平均（$\theta_{\text{ang}}$）、几何中位数、博尔达计数和比例序贯博尔达（PSB）。
• 同质体制：在原始数据集中，选民偏好相对相似，所有规则（包括算术平均）表现相似并满足比例性。
• 异质体制（二维数据）：当选民向量分布在一个宽弧上（模拟高度分歧）时：
  • 算术平均和几何中位数表现严重不佳，经常低于比例权益（长期 IP < 1）。
  • 角平均显著优于算术平均和几何中位数，保持长期 IP $\ge 1$。
  • PSB（一种非线性、非固定规则）表现最佳，证实放宽“固定线性”约束能带来进一步收益，但角平均仍然是表现最佳的固定线性规则。
• 收敛性：实证结果证实，即使对于较小的 $m$，随着批次大小 $m$ 的增长，每批次 IP 也极快地收敛于长期 IP。

5. 意义与主张

本文声称提供了聚合决策规则的最佳情况基准。通过展示固定线性规则（角平均）可以满足长期比例性，作者认为，低信息管道（必须从噪声数据中学习规则）应致力于保留角平均的结构。

其意义在于：

• 纠正多数派缺陷：它识别了一种简单、可解释的算术平均替代方案，避免了重复决策中的“多数派暴政”。
• 理论保证：它提供了首个证明，表明固定线性规则可以满足长期个体比例性，这一属性此前被认为对固定规则而言难以实现或不可能实现。
• 实际适用性：角平均在计算上是可行的（通过基于梯度的优化），并且在实践中对非球对称分布具有鲁棒性，使其成为人工智能对齐和参与式设计中现实应用的可行候选方案。

作者对局限性保持谦逊，承认虽然 $\theta_{\text{ang}}$ 解决了长期问题，但若不牺牲“固定线性”约束，则无法实现更强的每批次保证，而这种权衡会随着批次大小的增加而减弱。