Methods and Open Problems in Differentiable Social Choice: Learning Mechanisms, Decisions, and Alignment
作者: Zhiyu An, Wan Du
分类: cs.AI, cs.LG
发布日期: 2026-02-03
💡 一句话要点
综述可微社会选择方法：学习机制、决策与对齐，并提出开放性问题。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 可微社会选择 机器学习 社会选择理论 机制设计 集体决策
📋 核心要点
- 现有机器学习系统在进行集体决策时，往往隐式地使用社会选择机制，缺乏明确的规范审查。
- 论文提出可微社会选择范式，将投票规则和聚合程序建模为可学习和可微的模型，并从数据中优化。
- 综述了拍卖、投票等多个领域的可微社会选择方法，并将其与经典公理和不可能结果联系起来。
📝 摘要（中文）
社会选择不再仅仅是政治理论或经济学的边缘问题，它已成为现代机器学习系统的基础组成部分。从拍卖和资源分配到联邦学习、参与式治理以及大型语言模型的对齐，机器学习流程越来越多地将异构偏好、激励和判断聚合为集体决策。实际上，许多当代机器学习系统已经在实施社会选择机制，但通常是隐式地，并且没有经过明确的规范审查。本综述调查了可微社会选择：一种新兴范式，它将投票规则、机制和聚合程序公式化为可学习的、可微的模型，并从数据中进行优化。我们综合了拍卖、投票、预算、流动民主、去中心化聚合和逆机制学习方面的工作，展示了经典公理和不可能结果如何作为目标、约束和优化权衡重新出现。最后，我们确定了36个开放性问题，定义了机器学习、经济学和民主理论交叉领域的一个新的研究议程。
🔬 方法详解
问题定义：论文旨在解决机器学习系统中社会选择机制的隐式性和缺乏规范审查的问题。现有方法通常没有明确地考虑社会选择理论中的公理和不可能结果，导致设计出的机制可能存在缺陷或不公平。此外，传统的社会选择方法往往难以直接应用于大规模、高维的机器学习场景。
核心思路：论文的核心思路是将社会选择机制表示为可微的模型，从而可以使用机器学习的方法进行优化和学习。通过将社会选择规则表示为可微函数，可以将经典的公理和不可能结果转化为优化目标或约束，从而设计出满足特定性质的社会选择机制。
技术框架：该综述没有提出一个具体的框架，而是对现有可微社会选择方法进行了系统性的梳理和总结。涉及的领域包括：拍卖机制设计、投票规则学习、预算分配、流动民主、去中心化聚合和逆机制学习。每个领域都有其特定的模型和优化方法，但都遵循可微优化的基本原则。
关键创新：最重要的技术创新点在于将社会选择理论与机器学习相结合，利用机器学习的可学习性和可优化性来设计和改进社会选择机制。这种方法使得可以从数据中学习社会选择规则，并根据实际应用场景进行定制。
关键设计：不同的可微社会选择方法在关键设计上有所不同。例如，在投票规则学习中，可以使用神经网络来表示投票规则，并使用交叉熵损失函数来衡量预测结果与真实投票结果之间的差异。在拍卖机制设计中，可以使用深度学习来预测竞标者的估值，并设计出最大化收益的拍卖规则。关键在于将社会选择规则表示为可微函数，并选择合适的损失函数和优化算法。
🖼️ 关键图片
📊 实验亮点
论文系统性地综述了可微社会选择领域的研究进展，并指出了36个开放性问题，为未来的研究方向提供了重要的指导。通过将社会选择理论与机器学习相结合，该研究为设计和改进集体决策机制提供了一种新的思路和方法。
🎯 应用场景
该研究具有广泛的应用前景，包括：在线广告拍卖、资源分配、联邦学习、参与式治理、大型语言模型的对齐等。通过可微社会选择方法，可以设计出更加公平、高效和透明的集体决策机制，从而提高机器学习系统的整体性能和用户满意度。未来的研究可以探索更加复杂的社会选择场景，并开发更加高效和可扩展的可微优化算法。
📄 摘要（原文）
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.