[Paper] 公平感知的多方多目标优化性能评估

Source: arXiv - 2601.22497v1

概述

本文针对多方多目标优化（MPMOP）算法评估中的一个微妙但关键的缺陷进行研究。传统指标将所有决策者（DM）的偏好压缩为单一的平均分，这可能无意中偏向某些参与方。通过引入基于合作博弈论的公平感知评估框架，作者提供了一种衡量算法性能的方法，既尊重每个利益相关者可接受的妥协，又突出真正的共识。

关键贡献

• 公平感知公理：形式化了四条直观的公理（对称性、帕累托效率、单调性和公平性），任何用于 MPMOP 的评估指标都应满足这些公理。
• 让步率向量：提出了一种紧凑的表示方式，用于描述每个决策者的妥协意愿，从而实现对异构偏好的统一视图。
• 基于纳什乘积的评估器：将经典性能指标（如 IGD、HV）嵌入纳什乘积公式中，能够在理论上满足所有公平公理。
• 广义共识定义：将“共同帕累托最优”解的概念扩展为共识解，即使在不存在严格的共同帕累托前沿时，也能得到所有参与方都可接受的解。
• 带有谈判结构的基准套件：在现有 MPMOP 测试问题中加入故意缺乏严格共同帕累托前沿的场景，迫使算法进行权衡谈判。
• 实证验证：证明新评估器能够根据人类可解释的公平判断区分算法——在可能的情况下奖励严格的共同解，在否则奖励覆盖“共同可接受区域”的解。

方法论

1. 问题形式化 – 作者将 MPMOP 建模为一组 (k) 个决策者，每个决策者都有自己的目标向量和帕累托前沿（PF）。
2. 公理化设计 – 引入四条公平性公理：
   • 对称性：事先没有任何决策者被特权化。
   • 帕累托效率：被支配的解集得分更低。
   • 单调性：提升任一决策者的结果不能使整体得分变差。
   • 公平性：对某一决策者的收益必须以其他决策者的损失为平衡。
3. 让步率向量 ((\mathbf{c})) – 对于每个决策者 (i)，标量 (c_i \in [0,1]) 表示其愿意接受的最大相对退化程度。该向量定义了一个 共识区域，使所有参与方同时满意。
4. 纳什乘积评估 – 对于候选解集 (S)，计算每个决策者的归一化性能指标 (p_i(S))（例如相对于其 PF 的 IGD）。整体得分为：

[ E(S) = \prod_{i=1}^{k} \bigl(1 - c_i \cdot p_i(S)\bigr) ]

乘积形式自然捕捉了权衡：在大幅伤害另一决策者的情况下提升某一决策者的指标会使乘积急剧下降，从而强制实现公平。
5. 基准构建 – 将现有的 MPMOP 测试套件（如基于 DTLZ 的）扩展为 冲突 和 部分一致 场景，确保部分实例不存在严格的公共帕累托最优点。
6. 实验协议 – 在新基准上运行最先进的 MPMOP 算法（如 MOEA/D‑MP、NSGA‑III‑MP）。使用传统的基于均值的指标以及提出的公平感知评估器对它们的解集进行评估。

结果与发现

关键要点

• 与直觉的一致性 – Nash 乘积评估器对算法的排序方式与人类对“公平”结果的判断相匹配。
• 判别能力 – 在冲突密集的基准测试中，新指标能够区分仅仅优化多数的算法与真正平衡所有方的算法。
• 鲁棒性 – 对让步率的敏感性分析表明，合理的变化（例如 (c_i) 在 0.2–0.5 之间）仍能保持排序顺序，显示出稳定性。

实际影响

• Multi‑stakeholder AI services – Cloud providers offering optimization‑as‑a‑service (e.g., resource allocation, recommendation pipelines) can embed the fairness evaluator to guarantee SLA‑level fairness across clients.
• Negotiation‑driven design tools – CAD or supply‑chain platforms that involve multiple engineering teams can use the consensus‑region concept to surface design alternatives that are mutually acceptable, reducing back‑and‑forth cycles.
• Regulatory compliance – Industries subject to fairness regulations (e.g., finance, hiring) can adopt the axiomatic framework to audit multi‑objective decision systems for bias toward particular groups.
• Algorithm selection – Practitioners can benchmark their own MPMOP solvers with the new metric to decide which algorithm truly balances stakeholder interests, rather than relying on a single averaged IGD/HV score.
• Extensible to other domains – The concession‑rate vector can be derived from business‑level tolerance thresholds (e.g., maximum cost increase), making the approach applicable to any multi‑criteria negotiation problem.

限制与未来工作

• 让步率获取 – 该框架假设每个决策者（DM）能够提供有意义的 (c_i)。在实际中，提取这些数值可能需要额外的调查或交互式工具。
• 对大量决策者的可扩展性 – 虽然乘积形式在数学上很简单，但评估高维帕累托前沿（PF）近似的计算成本会随参与方数量的增加而上升。
• 静态与动态偏好 – 当前模型将让步率视为固定值；未来的工作可以研究随时间变化或情境依赖的让步率。
• 超越帕累托指标的扩展 – 将其他质量指标（例如鲁棒性、可解释性）纳入纳什乘积仍是一个未解决的研究方向。

总体而言，本文为多方、多目标优化中的公平感知性能评估提供了坚实的、理论支撑的基础，为在现实中利益相关者众多的环境中实现更公平的算法设计与部署打开了大门。

作者

• Zifan Zhao
• Peilan Xu
• Wenjian Luo

论文信息

• arXiv ID: 2601.22497v1
• 分类: cs.NE
• 出版日期: 2026年1月30日
• PDF: Download PDF