Large Language Models for Designing Participatory Budgeting Rules

📄 arXiv: 2602.09349v1 📥 PDF

作者: Nguyen Thach, Xingchen Sha, Hau Chan

分类: cs.LG

发布日期: 2026-02-10

备注: Accepted as full paper to AAMAS 2026

💡 一句话要点

提出LLMRule框架，利用大语言模型设计更优的参与式预算规则。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 参与式预算 规则设计 进化搜索 自动化算法设计

📋 核心要点

  1. 现有参与式预算规则设计需要大量领域知识，且效用和公平性之间存在权衡，难以同时优化。
  2. LLMRule框架将大语言模型融入进化搜索，自动设计参与式预算规则，无需过多人工干预。
  3. 实验表明，LLMRule生成的规则在效用上优于现有规则，同时保持了相似的公平性。

📝 摘要（中文）

参与式预算(PB)是一种民主范式，用于根据居民的偏好决定公共项目的资金分配，已被世界各地许多城市采用。PB的主要重点是设计规则，即为一组项目返回可行预算分配的函数，并受限于一定的预算约束。基于代理偏好优化效用和公平性目标的PB规则设计一直具有挑战性，因为需要广泛的领域知识，并且这两个概念之间存在已证实的权衡。最近，大型语言模型(LLM)越来越多地被用于自动化算法设计。鉴于PB规则与经典背包问题的算法相似，在本文中，我们引入了一种名为LLMRule的新颖框架，该框架通过将LLM纳入进化搜索程序中来解决现有工作的局限性，从而实现PB规则的自动化设计。我们的实验结果在从美国、加拿大、波兰和荷兰获得的600多个真实PB实例上进行了评估，这些实例具有不同的代理偏好表示，结果表明，在总体效用方面，LLM生成的规则通常优于现有的手工规则，同时仍保持相似程度的公平性。

🔬 方法详解

问题定义：论文旨在解决参与式预算(PB)规则设计的问题。现有的手工设计的PB规则需要大量的领域知识，并且在效用和公平性之间存在固有的权衡，难以同时优化这两个目标。因此，如何自动化地设计出既能保证高效率又能兼顾公平性的PB规则是一个挑战。

核心思路：论文的核心思路是利用大语言模型(LLM)的强大生成能力和对复杂问题的理解能力，结合进化搜索算法，自动生成PB规则。通过将PB规则的设计过程转化为一个搜索问题，并利用LLM作为搜索过程中的规则生成器，可以有效地探索规则空间，找到满足特定效用和公平性目标的规则。

技术框架：LLMRule框架主要包含以下几个模块：1) LLM规则生成器：利用LLM生成候选的PB规则；2) 规则评估器：评估生成的规则在给定的PB实例上的效用和公平性；3) 进化搜索算法：根据规则的评估结果，选择优秀的规则进行变异和交叉，生成新的规则，并不断迭代，最终找到最优的PB规则。整个流程是一个循环迭代的过程，通过不断地生成、评估和优化规则，最终得到满足要求的PB规则。

关键创新：该论文的关键创新在于将LLM引入到PB规则的设计过程中，并结合进化搜索算法，实现PB规则的自动化设计。与传统的手工设计方法相比，LLMRule框架无需大量的领域知识，可以自动探索规则空间，找到更优的规则。此外，该框架还可以根据不同的效用和公平性目标，生成不同的PB规则，具有很强的灵活性和适应性。

关键设计：在LLM规则生成器中，使用了Prompt Engineering技术，设计合适的Prompt来引导LLM生成有效的PB规则。在规则评估器中，定义了效用和公平性的指标，用于评估规则的性能。在进化搜索算法中，使用了遗传算法，包括选择、交叉和变异等操作，来优化规则的性能。具体的参数设置包括LLM的模型选择、Prompt的设计、效用和公平性指标的权重、遗传算法的参数等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLMRule框架在超过600个真实世界的参与式预算实例中，生成的规则在总体效用方面优于现有的手工规则，同时保持了相似程度的公平性。这表明LLMRule框架能够有效地自动化设计参与式预算规则，并取得良好的性能。

🎯 应用场景

该研究成果可应用于城市规划、公共资源分配等领域，帮助政府更高效、公平地分配预算，提升居民满意度。通过自动化设计参与式预算规则，降低了对领域专家的依赖，使得更多城市能够实施参与式预算，促进民主决策。

📄 摘要（原文）

Participatory budgeting (PB) is a democratic paradigm for deciding the funding of public projects given the residents' preferences, which has been adopted in numerous cities across the world. The main focus of PB is designing rules, functions that return feasible budget allocations for a set of projects subject to some budget constraint. Designing PB rules that optimize both utility and fairness objectives based on agent preferences had been challenging due to the extensive domain knowledge required and the proven trade-off between the two notions. Recently, large language models (LLMs) have been increasingly employed for automated algorithmic design. Given the resemblance of PB rules to algorithms for classical knapsack problems, in this paper, we introduce a novel framework, named LLMRule, that addresses the limitations of existing works by incorporating LLMs into an evolutionary search procedure for automating the design of PB rules. Our experimental results, evaluated on more than 600 real-world PB instances obtained from the U.S., Canada, Poland, and the Netherlands with different representations of agent preferences, demonstrate that the LLM-generated rules generally outperform existing handcrafted rules in terms of overall utility while still maintaining a similar degree of fairness.