Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making

要約

主に監視された学習に基づいて、従来の意思決定サポートシステムは、アクションを推奨する結果予測モデルに焦点を当てています。
ただし、多くの場合、多様で潜在的に矛盾する利害関係者の好みをバランスをとる必要がある多芽環境の複雑さを説明できません。
この論文では、意思決定をマルチステークホルダーの最適化問題として再定義する新しい参加型フレームワークを提案し、コンテキスト依存の報酬機能を通じて各俳優の好みを捉えます。
当社のフレームワークは、$ k $ -foldの相互検証を活用して、ユーザーが提供する結果予測モデルを微調整し、利害関係者のトレードオフを媒介する妥協機能を含む決定戦略を評価します。
意思決定戦略をランク付けし、最適な意思決定者を特定するために、複数のメトリックにわたってユーザー定義の好みを活用する合成スコアリングメカニズムを導入します。
選択した意思決定者を使用して、新しいデータの実用的な推奨事項を生成できます。
2つの実際のユースケースを使用してフレームワークを検証し、複数のメトリックのバランスをとる推奨事項を提供する能力を実証し、純粋に予測ベースの方法の範囲を超えた結果を達成します。
アブレーション研究は、モジュール式、モデルに依存し、本質的に透明な設計を備えたフレームワークが、さまざまな予測モデル、報酬構造、評価メトリック、およびサンプルサイズとシームレスに統合し、複雑でハイステークスの意思決定に特に適していることを示しています。
コンテキスト。

要約(オリジナル)

Conventional decision-support systems, primarily based on supervised learning, focus on outcome prediction models to recommend actions. However, they often fail to account for the complexities of multi-actor environments, where diverse and potentially conflicting stakeholder preferences must be balanced. In this paper, we propose a novel participatory framework that redefines decision-making as a multi-stakeholder optimization problem, capturing each actor’s preferences through context-dependent reward functions. Our framework leverages $k$-fold cross-validation to fine-tune user-provided outcome prediction models and evaluate decision strategies, including compromise functions mediating stakeholder trade-offs. We introduce a synthetic scoring mechanism that exploits user-defined preferences across multiple metrics to rank decision-making strategies and identify the optimal decision-maker. The selected decision-maker can then be used to generate actionable recommendations for new data. We validate our framework using two real-world use cases, demonstrating its ability to deliver recommendations that effectively balance multiple metrics, achieving results that are often beyond the scope of purely prediction-based methods. Ablation studies demonstrate that our framework, with its modular, model-agnostic, and inherently transparent design, integrates seamlessly with various predictive models, reward structures, evaluation metrics, and sample sizes, making it particularly suited for complex, high-stakes decision-making contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google