arXiv cs.CY· Mark Nowak (Conflux Laboratory)·· 23 小时前AI 评分29
AllotNet:面向人道援助分配道德判断的可解释混合专家选择模型,经植入式合成人群验证
AllotNet: an Interpretable Mixture-of-Experts Choice Model for Moral Judgement in Humanitarian Aid Allocation, Validated against a Planted Synthetic Population
AI 导读
AllotNet 是一个可解释的混合专家条件 logit 模型,用于建模人道援助分配中的道德判断,含 8 个线性偏好专家、7 项伦理标准与受预算约束的规划器,参数量 23,550。
正文 · AI 翻译
摘要:2025 年官方发展援助下降了 23.1%,当资源不足以惠及所有人时,谁先获得帮助的决定正转移到软件中。一个已发表的前沿机器学习目标定位系统在实际部署中排除了 53% 的符合条件的家庭。如果分配规则最终落在代码中,它应当承载多种文化的判断,机器负责执行,而由人来判断。AllotNet 是一个可解释的专家混合条件 logit 模型,用于 Allot 所引出的分配判断;Allot 是一个预先注册的六语言工具:八个线性偏好专家基于七项伦理标准,由参与者上下文的门控加权,带有阻尼残差、家庭摄入编码器、结果头和预算约束规划器,后者构建审查队列且从不拒绝任何人。人类判断模型在真实数据上没有标准答案,因此我们先编写了一个:一个植入的合成人群,包含 560 万次会话和 1.04 亿条响应(9800 万个可用选择),由生产代码路径从对损失隐藏的真值生成。所有十六项预先指定的检查均通过:标准排序 $\rho = 1.000$,隐藏分段被恢复(ARI 0.671),结果头达到噪声上限的 99%,规划器达到 oracle 的 99.4%。相关注意事项也一并报告:两项检查弱于其标题所述,一次实时生成失败损失了 260,712 个种子。该模型有 23,550 个参数,针对 NVFP4 进行量化感知训练,其可解释核心为 fp32(在交付包上 W4A16 时福利排序一致性 $\rho = 0.9937$;一个一致性阈值在事后被放宽),并以 125 KB 的包形式发布,提供 C11、Java、Rust 和 Python 运行时。尚未在真实数据上进行任何训练;在研究真实规模下,分层贝叶斯混合 logit 是注册的对照方法。
| 评论: | 83 页,16 幅图,36 张表。公开版本:引出工具的评分规范、植入的真值和各标准结果根据研究的预注册禁运(至 2030 年 8 月 1 日)予以保留。一篇配套论文报告了分配规则的设计社会模拟 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI);计算机与社会(cs.CY) |
| ACM 分类: | I.2.6; K.4.1 |
| 引用为: | arXiv:2611.23474 [cs.LG] |
| (或 arXiv:2611.23474v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23474 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Mark Nowak 先生 [查看电子邮件]
[v1]
2026 年 11 月 17 日星期二 20:25:51 UTC(247 KB)
来源:arXiv cs.CY · arxiv.org