論文の概要: Methods and Open Problems in Differentiable Social Choice: Learning Mechanisms, Decisions, and Alignment

• arxiv url: http://arxiv.org/abs/2602.03003v1
• Date: Tue, 03 Feb 2026 02:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.189986
• Title: Methods and Open Problems in Differentiable Social Choice: Learning Mechanisms, Decisions, and Alignment
• Title（参考訳）: 差別化可能な社会選択の方法とオープン問題--学習メカニズム,決定,アライメント
• Authors: Zhiyu An, Wan Du,
• Abstract要約: 社会的選択はもはや政治理論や経済学の周辺的な関心事ではない。 投票規則、メカニズム、および集計手順をデータから最適化された学習可能で微分可能なモデルとして定式化する新しいパラダイムである。
• 参考スコア（独自算出の注目度）: 7.764532811300023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social choice is no longer a peripheral concern of political theory or economics-it has become a foundational component of modern machine learning systems. From auctions and resource allocation to federated learning, participatory governance, and the alignment of large language models, machine learning pipelines increasingly aggregate heterogeneous preferences, incentives, and judgments into collective decisions. In effect, many contemporary machine learning systems already implement social choice mechanisms, often implicitly and without explicit normative scrutiny. This Review surveys differentiable social choice: an emerging paradigm that formulates voting rules, mechanisms, and aggregation procedures as learnable, differentiable models optimized from data. We synthesize work across auctions, voting, budgeting, liquid democracy, decentralized aggregation, and inverse mechanism learning, showing how classical axioms and impossibility results reappear as objectives, constraints, and optimization trade-offs. We conclude by identifying 36 open problems defining a new research agenda at the intersection of machine learning, economics, and democratic theory.
• Abstract（参考訳）: 社会的選択はもはや政治理論や経済学の周辺的関心事ではなく、現代の機械学習システムの基盤となっている。 オークションやリソース割り当てから、フェデレーション付き学習、参加型ガバナンス、大規模言語モデルのアライメントに至るまで、マシンラーニングパイプラインはますます異質な選好、インセンティブ、判断を集合的な決定に集約するようになっている。 事実上、多くの現代の機械学習システムは、しばしば暗黙的に、明示的な規範的精査なしに、社会的選択機構を実装している。 投票規則、メカニズム、および集計手順をデータから最適化された学習可能で微分可能なモデルとして定式化する新しいパラダイムである。 我々は、オークション、投票、予算化、液状民主主義、分散集約、逆メカニズム学習にまたがって仕事を合成し、古典的公理と不合理性の結果が目的、制約、最適化トレードオフとしてどのように再現れるかを示す。 我々は、機械学習、経済学、民主的理論の共通点において、新たな研究課題を定義する36のオープンな問題を特定して結論付ける。

関連論文リスト

• Representative Social Choice: From Learning Theory to AI Alignment [1.5831647807014813]
  典型的な社会的選択では、個体群は個々の問題対の有限標本で表される。 代表的社会的選択における最も深い質問の多くは統計的学習問題として定式化できることを示す。 我々は、代表的社会的選択のためのさらなる公理を定式化し、新しい分析ツールでアローのような不合理性定理を証明した。
  論文  参考訳（メタデータ） (2024-10-31T14:07:26Z)
• Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
  不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。 多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。 この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
  論文  参考訳（メタデータ） (2022-11-18T21:58:35Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
  社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。 多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。 近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
  論文  参考訳（メタデータ） (2021-04-09T01:46:34Z)
• A Framework for Fairer Machine Learning in Organizations [0.0]
  社会経済的重要性の結果における人間の意思決定プロセスが自動化された場合、不公平なリスクが増大する。 我々は、不公平な機械学習の源泉を明らかにし、公正性基準をレビューし、もし実施されれば、組織が不公平な機械学習モデルを実装するのを回避できるフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-09-10T04:07:10Z)
• Self-organizing Democratized Learning: Towards Large-scale Distributed Learning Systems [71.14339738190202]
  民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。 本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。 提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-07-07T08:34:48Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。