arXiv cs.AI· Santiago Cortes-Gomez, Mateo Dulce Rubio, Carlos Patino, Bryan Wilder·· 1 天前AI 评分31
AI 驱动资源分配的两阶段框架：随机不确定性下筛选与算法定向如何最优结合
The Limits of AI-Driven Allocation: Optimal Screening under Aleatoric Uncertainty
AI 导读
研究提出一个两阶段资源分配框架，在固定覆盖预算下先对部分单元做筛选、再分配资源，证明最优策略是对算法分配边缘的单元做筛选、同时直接定向最高风险单元。筛选带来的效率增益随人群随机不确定性上升而增大，且预算在筛选与直接分配间的最优切分点仅取决于两者成本比。该框架以哥伦比亚收入型社会保护项目与人工排雷为应用示例。
正文 · AI 翻译
摘要：机器学习的兴起使政策与人道主义场景中的定向资源分配转向基于预测风险评分的算法定向。这种方法通常比通过物理核验直接观察潜在脆弱状态的传统筛查程序更便宜、更快捷。然而，即便能够获得真实的条件脆弱概率，也无法消除错配：个体脆弱状态上的偶然不确定性不可约减，基于概率的定向不可避免地会错配部分资源。在本研究中，我们研究如何在两阶段分配框架中最优地结合筛查与算法定向，其中筛查阶段先观察一部分单元的真实结果，随后最终分配阶段在固定覆盖预算下分配资源。我们证明，最优策略是对处于算法分配边缘的单元进行筛查，同时直接定向风险最高的单元。我们通过实证刻画了筛查与算法定向何时互为补充或替代：筛查带来的效率增益随人群中偶然不确定性的增加而增大。最后，我们刻画了筛查与直接分配的相对价值，由此得到一个在两者之间划分项目预算的简单规则：最优截断点仅取决于二者的成本比。我们以基于收入的社会保护项目和哥伦比亚的人道主义排雷为例说明了我们的框架，在这些应用中，筛查成本与分配效率之间的张力在操作层面具有重要影响
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2605.07979 [cs.AI] |
| （或本版本的 arXiv:2605.07979v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.07979 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mateo Dulce Rubio [查看邮箱]
[v1]
2026年5月8日星期五 16:38:58 UTC（790 KB）
[v2]
2026年11月12日星期四 03:33:43 UTC（749 KB）
来源：arXiv cs.AI · arxiv.org