arXiv cs.AI· Nishtha Madaan, Srikanta Bedathur·· 12 小时前AI 评分26
DDAR：无需人工成本标注的数据驱动可执行补救方法
Follow the Herd: A Data-Driven Approach for Actionable Recourse
AI 导读
研究者提出 Data-Driven Action Recourse（DDAR），首个无需人工标注动作成本即可提供可执行补救的方法。DDAR 基于历史用户数据中高概率轨迹应对应更低成本这一假设，先构建用户轨迹的动力学模型，再在该模型下搜索能达成目标结果的轨迹。实验显示，该方法无需人工监督即可给出合理的补救建议，且动作成本低于现有方法。
正文 · AI 翻译
摘要：随着机器学习系统对人们生活做出越来越重大的决策，为用户提供可操作的补救建议——即他们如何实现期望结果——变得至关重要。目前解决这一问题依赖于昂贵的人工监督，这涉及在搜索实现期望结果的低成本动作之前手工设计成本函数。在本文中，我们提出了\textit{“数据驱动的动作补救”}（DDAR），这是第一种无需人类对动作成本进行昂贵监督即可提供动作补救的方法。我们基于这样一个理念：历史用户数据中高概率的轨迹应关联较低的成本。据此，DDAR 首先构建历史用户轨迹的动力学模型。在该模型下，它随后搜索实现期望结果的轨迹。在实验中，我们发现这种简单方法无需人工监督即可推荐合理的动作补救，且动作成本低于现有方法。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.36580 [cs.AI] |
| （或 arXiv:2610.36580v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36580 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Nishtha Madaan [查看邮箱]
[v1]
2026年10月27日 星期二 03:36:02 UTC（904 KB）
来源：arXiv cs.AI · arxiv.org