想象一下，你正在组织一场盛大的才艺表演。你有数千名参赛者、一个评委团，以及最终舞台上有限的席位。传统做法是将所有人从最好到最差进行排名，然后选出前 k 名。但评委们往往对“好”与“非常好”之间的细微差别意见不一。7.8 分真的比 7.7 分更好吗？为这些微小的差距争论不休会浪费时间并制造戏剧性冲突。
为了解决这个问题，许多组织开始采用“部分抽签”（partial lotteries）。他们不再挑选绝对的前 k 名，而是说：“前 10% 的人肯定入选，后 10% 的人肯定落选，而中间的所有人则通过抽签获得随机入场券。”
问题：“悬崖”效应
该论文指出，当前的抽签系统极不稳定，如同行走在悬崖边缘。想象一位候选人恰好处于“安全”与“抽签”的分界线上。如果他们的分数仅发生一个微小变动（例如某位评委将 7.9 改为 8.0），他们可能突然从 0% 的获胜几率跃升至 100%（或反之）。
这令人沮丧，因为这意味着分数中几乎不可见的微小变化会导致命运发生巨大而不公的跳跃。这重新引入了抽签本应消除的那种“任意性”。
解决方案：“平滑斜坡”
作者提出了一种名为截断线性抽签（Clipped Linear Lottery）的新方法。
将旧系统想象成带有陡峭垂直落差的楼梯，而新系统则是一条平缓、平滑的斜坡。
- 斜坡：如果候选人非常弱，他们会被自动拒绝（概率 = 0）；如果非常强，则会被自动录取（概率 = 1）。
- 中间部分：对于中间的所有人，他们的获胜几率随分数线性增加。分数略微上升，获胜几率就略微上升；分数略微下降，获胜几率就略微下降。
没有突然的跳跃。分数的微小变化只会导致几率发生微小且可预测的变化。
为何这很重要
该论文证明了两个主要观点：
- 稳定性：你无法通过微小的分数调整来破坏系统。几率会平滑变化，就像调节调光开关，而不是翻转电灯开关。
- 公平与高效：作者从数学上证明，这种“平滑斜坡”是在稳定性与挑选最佳候选人之间取得平衡的最佳方式。其他方法（例如使用称为“Softmax"的复杂数学公式，或试图隐藏个体数据的“差分隐私”）要么无法实现平滑，要么为了达到平滑而不得不挑选更差的候选人。
现实世界的验证
研究人员利用来自主要科学会议（如 ICLR 和 NeurIPS）以及资助机构（如瑞士国家科学基金会）的真实数据测试了这一想法。
- 坏消息：他们发现，当前的抽签系统确实具有“悬崖”特征。仅将一位评委的分数改变一点，就可能使候选人的获胜几率波动超过 30%。
- 好消息：当他们将“截断线性抽签”应用于相同数据时，系统保持了冷静和平滑，在挑选合适人选与保持流程稳定之间提供了更好的平衡。
一言以蔽之
该论文建议，当我们利用随机性做出公平决策时，应避免尖锐的边缘。我们不应使用那种感觉像是在玩“跳崖”游戏的抽签系统，而应使用一种感觉像平滑滑梯的系统，其中表现的微小变化会带来结果中微小且公平的变动。
技术摘要：用于稳定随机选择的平滑部分彩票
问题表述
在科学资助、同行评审和录取等竞争性选择过程中，决策者常采用“部分彩票”机制来分配资源。这些机制通过在评估分数相似的候选人之间进行随机选择，以减少审议时间并缓解决策边界附近的任意性。然而，现有的彩票设计（例如瑞士国家科学基金会和 MERIT 使用的基于阈值的分级系统）存在固有的不稳定性。
identified 的核心问题是，单个评审分数的微小扰动会导致候选人被选中概率发生不连续的大幅波动。例如，由于一分的分数增加，将候选人从“拒绝”层级移至“彩票”层级，可能会使其录取概率从 0 跃升至显著数值，同时导致其他人的概率下降。这种不稳定性破坏了随机化的目标，重新引入了彩票旨在消除的对细微分数差异的敏感性。
作者将稳定性的要求形式化为平滑性：如果评审分数的微小变化仅产生有界的选中概率变化，则该选择规则是平滑的。这通过从评审分数到边际选中概率映射的 Lipschitz 条件来定义。
方法论：截断线性彩票
为了解决这种不稳定性，作者提出了截断线性彩票（Clipped Linear Lottery），这是一种基于候选人的效用（源自评审分数）的截断线性函数来分配选中概率的机制。
机制设计
给定预算 k（需选中的候选人数量）和 n 名效用为 ui 的候选人：
- 缩放：效用通过斜率参数 w 进行缩放。
- 平移：计算一个公共截距 b，使得概率之和等于 k。
- 截断：候选人 i 的最终概率为 pi=clip[0,1](w⋅ui+b)。
这将候选人分为三个层级：
- 自动录取：分数足够高使得 pi=1 的候选人。
- 自动拒绝：分数足够低使得 pi=0 的候选人。
- 彩票池：中间层级的候选人，其中 0<pi<1，且概率随估计质量线性缩放。
理论分析
本文确立了两个主要的理论保证：
- 平滑性：作者证明，如果效用函数关于评审分数是 Du-Lipschitz 的，则设置斜率 w=L/(2Du) 可确保选择规则是 L-平滑的。这保证了一个评审分数的变化 δ 导致的选中概率总变化被限制在 Lδ 以内。
- 遗憾最优性：作者分析了平滑性与遗憾（与最优确定性选择前 k 名候选人相比的预期效用损失）之间的权衡。他们证明，截断线性彩票实现了 O(k(1−k/n)Du/L) 的最坏情况遗憾界。关键在于，他们推导出了任何平滑选择规则的下界，表明截断线性彩票是近乎最优的，其表现与下界仅相差一个 (1−k/n) 因子。
主要贡献
- 平滑性的形式化：本文利用从评审分数到边际概率映射的 Lipschitz 条件定义了平滑选择规则，提供了一个可解释的保证，即微小的分数变化会产生有界的概率变化。
- 截断线性彩票的设计与分析：作者引入了该机制并证明其满足平滑性保证。他们提供了一个最坏情况遗憾界，该界与任何平滑规则的理论下界相匹配，从而确立了其近乎最优性。
- 与稳定性概念的比较：本文将平滑性与个体公平性（IF）和差分隐私（DP）进行了比较：
- IF：平滑性与 IF 在形式上不可比，尽管截断线性彩票在 IF 约束下是实例最优的。
- 标准 DP：不意味着平滑边际，因为它将任意小和任意大的分数变化同等对待（离散的相邻关系）。
- 度量 DP：意味着平滑性，但相比截断线性彩票，会产生 klog(n/k) 因子的遗憾惩罚。
- Softmax（指数机制）：虽然实现了平滑边际，但相比线性机制，会产生 O(logn) 的遗憾惩罚。
- 实证验证：在真实同行评审数据（ICLR 2025、NeurIPS 2024、瑞士 NSF）上的实验表明，现有的彩票设计在单次评审扰动下极不稳定。相比之下，截断线性彩票在实践中实现了更优越的平滑性 - 效用权衡。
结果
- 现有设计的不稳定性：实证分析表明，在现有机制（MERIT、瑞士 NSF）下，单个评审的一分变化可能使候选人的选中概率改变超过 0.3，证实了理论上的不稳定性。
- 优越的权衡：在所有数据集上，截断线性彩票在匹配的平滑性水平下，始终比前 k 名 Softmax 规则实现更低的归一化遗憾。
- 界限的紧确性：实验证实，截断线性彩票和 Softmax 的理论平滑性界限本质上是紧确的（在理论预测的 5–99% 范围内）。
意义与主张
本文认为，平滑性是评估环境中随机选择的一个可行且有用的设计原则。该工作的意义在于：
- 指出了当前部分彩票实施中的一个关键缺陷，即微小的分数变化会导致概率的不连续跳跃。
- 提供了一种简单、可解释且高效的机制（截断线性彩票），在不妨碍选择质量的前提下解决了这种不稳定性。
- 证明了所提出的机制在平滑性 - 遗憾权衡方面理论上是近乎最优的，优于 Softmax 和度量 DP 等替代方案。
- 为资助机构和评审委员会提供了一种实用工具，以减少审议时间，同时确保选中概率能优雅地应对微小的评估变化。
作者指出了局限性，包括全局 Lipschitz 效用的假设以及遗憾界限中存在的较小常数因子差距。他们建议未来的工作可以探索实例自适应彩票，以及平滑机制对评审者行为和感知合法性的影响。
每周获取最佳 machine learning 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。