跳转至

Counterfactual Optimization of Policy Interventions: Lexical Ordering and Leapfrogging

作者: Martina Scauda, Tobias Freidling, Qingyuan Zhao
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.20505

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是考虑反事实伤害约束的政策学习。根本的科学问题是：当一项政策（如医疗干预）从基线政策过渡到新政策时，如何在最大化总体福利（如平均健康结果）的同时，控制对个体造成的反事实伤害（即新政策下结果比基线政策更差的情况）不超过给定阈值。这个方向处于因果推断、政策学习与伦理决策的交叉点，当前成熟度较低——大多数现有方法只优化平均结果，忽略了个体伤害。

发展脉络

奠基工作： - Murphy (2003) 和 Qian & Murphy (2011) 奠定了最优个体化治疗规则的基础：最优政策就是根据条件平均处理效应（CATE）的符号分配治疗。这是无约束优化的基准。 - Manski (2004) 和 Kitagawa & Tetenov (2018) 将统计治疗选择与经验福利最大化引入计量经济学，关注在有限政策类中最大化平均福利。 - Athey & Wager (2021) 提出了基于双重稳健估计的政策学习方法，可处理观测数据，并建立了渐近遗憾界。

主要进展（资源约束与公平性）： - Luedtke & van der Laan (2016) 和 Bhattacharya & Dupas (2012) 将资源约束引入政策学习，发现最优解具有词典式排序结构：按“CATE/成本”优先级得分排序，直到预算耗尽。这是本文技术路线的直接前身。 - Kitagawa & Tetenov (2021) 和 Cui & Han (2025) 将目标函数从平均福利替换为平等导向或分布福利泛函，关注分配公平性而非个体伤害。 - Viviano & Bradic (2024) 在帕累托前沿上选择最公平的分配，采用“首先不伤害”视角。 - Fang et al. (2023) 要求结果分布的尾部超过阈值，保护弱势亚群。

反事实伤害的引入： - Richens et al. (2022) 首次给出了反事实伤害的形式化定义，并构建了伤害规避目标函数。 - Kallus (2022) 推导了受负面影响的分数（FNA）的sharp界。 - Li et al. (2023) 在二元治疗设定下学习最大化奖励、同时约束反事实伤害比例的政策。 - Ben-Michael et al. (2024) 研究非对称反事实效用，推导部分识别下的minimax决策规则，并考虑了约束的伤害-资源联合公式。 - Wu et al. (2025) 在二元治疗、二元结果、仅控制基线的设定下研究了类似的伤害约束优化问题。

本文的位置： 本文在以上工作的基础上，将伤害约束政策学习推广到多值治疗、随机基线政策和最优转移核的设定。核心发现是：最优政策转移往往具有“词典式跳跃”结构——由协变量和当前治疗定义的子组按优先级得分排序，任何治疗变更直接将其移至条件最优治疗。这个结构在形式上与Rawls的词典式差异原则和社会选择理论中的leximin排序有亲缘关系。

子线索聚类

  1. 无约束平均福利最大化：Murphy (2003), Qian & Murphy (2011), Athey & Wager (2021), Kosorok & Laber (2019)。核心是估计CATE并按符号分配治疗。
  2. 资源约束下的政策学习：Luedtke & van der Laan (2016), Bhattacharya & Dupas (2012), Sun et al. (2021), Qiu et al. (2022), Sverdrup et al. (2025)。产生词典式排序结构，但约束是外生成本而非内在伤害。
  3. 公平/分布导向的政策学习：Kitagawa & Tetenov (2021), Cui & Han (2025), Viviano & Bradic (2024), Fang et al. (2023)。修改目标函数或施加尾部约束，不涉及反事实耦合。
  4. 反事实伤害约束的政策学习：Richens et al. (2022), Kallus (2022), Li et al. (2023), Ben-Michael et al. (2024), Wu et al. (2025)。本文属于此线索，并将其推广到多值治疗和一般基线。

核心问题与瓶颈

  • 核心问题1：如何定义和量化反事实伤害？（Richens et al., 2022; Sarvet & Stensrud, 2023）
  • 核心问题2：在部分识别下（潜在结果联合分布不可识别），如何对伤害进行最坏情况约束？（Kallus, 2022; 本文）
  • 核心问题3：多值治疗下，最优政策转移是否具有可处理的数学结构？（本文回答：是，词典式跳跃）
  • 瓶颈：伤害约束涉及潜在结果的联合分布，这通常不可识别，只能通过Fr´echet界或敏感性分析进行部分识别。这导致优化问题成为部分识别下的决策问题。

⚠️ 作者的 framing

作者将缺口frame为：“现有工作要么只考虑平均福利，要么只考虑二元治疗和确定性基线，缺乏一个能处理多值治疗、随机基线和一般伤害测度的统一框架。” 作者将自己的工作定位为“显然的下一步”——通过引入“词典式跳跃”结构，将多值治疗问题简化为连续背包问题。

被淡化/回避的竞争路线： - 作者将资源约束路线（Luedtke & van der Laan, 2016等）定位为“不同约束”（外生成本 vs. 内在伤害），从而回避了与其直接比较。但两种约束在数学结构上高度相似（都产生词典式排序），作者未深入讨论何时一种约束比另一种更合适。 - 作者提到Ben-Michael et al. (2024) 的惩罚形式可视为其约束问题的拉格朗日松弛，但未展开比较两种方法的实际差异（如惩罚参数选择 vs. 约束阈值选择）。

值得研究者去查的问题： 本文的introduction没有引用任何关于动态治疗规则/时序政策的工作（如Murphy, 2003的原始动态框架），尽管本文的“政策转移”概念天然具有时序性。这是否意味着本文的框架不能直接扩展到多阶段设定？或者作者有意回避了动态规划带来的复杂性？

张力

未见明显对立引用。各被引工作之间在数学框架上具有一致性（都基于Neyman-Rubin潜在结果框架），差异主要在于约束类型和目标函数的选择。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(X \in \mathcal{X}\)：协变量（背景信息），随机变量。 - \(Z \in \mathcal{Z}\)：治疗变量，分类变量（\(|\mathcal{Z}| < \infty\)），由政策制定者分配给个体。 - \(Y \in \mathbb{R}\)：结果变量（效用/健康结果），实值。 - \(Y(z)\)：潜在结果——当治疗被设为\(z\)时个体将展现的结果。\(Y(\cdot) = (Y(z): z \in \mathcal{Z})\)是潜在结果调度。 - \(d(z|x)\)：政策——给定\(X=x\)时分配\(Z=z\)的条件概率。确定性政策：存在\(z(x)\)使得\(d(z(x)|x)=1\)。 - \(\kappa(z'|z, x)\)：政策转移核——给定当前治疗\(Z=z\)和协变量\(X=x\)时，新治疗\(Z'=z'\)的条件概率。 - \(\gamma_z(x)\)：条件边际分布——\(Y(z)\)给定\(X=x\)的分布。 - \(\gamma(x)\)：条件联合分布——\(Y(\cdot)\)给定\(X=x\)的联合分布。 - \(\Gamma_F(x)\)：Fr´echet类——所有具有给定边际\(\gamma_z(x)\)的联合分布\(\gamma(x)\)的集合。 - \(\Gamma = \prod_{x \in \mathcal{X}} \Gamma(x)\)：乘积子类，\(\Gamma(x) \subseteq \Gamma_F(x)\)。 - \(h: \mathbb{R} \to \mathbb{R}_{\ge 0}\)：伤害测度，满足\(h(y)=0\)对所有\(y \ge 0\)成立（即只对负变化惩罚）。 - \(EH_{\kappa,\gamma} = \mathbb{E}_{\kappa,\gamma}[h(Y(Z') - Y(Z))]\)：转移\(\kappa\)在联合分布\(\gamma\)下的期望伤害。 - \(B \ge 0\)：给定的伤害预算上限。 - \(\tau(x) = \mathbb{E}[Y(1)-Y(0)|X=x]\)：条件平均处理效应（CATE）。 - \(z^*(x) = \arg\max_z \mathbb{E}[Y(z)|X=x]\)：条件最优治疗。 - \(\Delta(z, x) = \mathbb{E}[Y(z^*(x)) - Y(z)|X=x]\)：从\(z\)跳到最优治疗的期望增益。 - \(H(z, x) = \sup_{\gamma \in \Gamma(x)} \mathbb{E}_\gamma[h(Y(z^*(x)) - Y(z))|X=x]\)：最坏情况期望伤害。 - \(\Lambda(z, x) = \Delta(z, x) / H(z, x)\)：优先级得分（当\(H>0\)时）。

模型（数据生成机制）： - 假设A1（条件可交换性）：\(Z \perp\!\!\!\perp Y(\cdot) | X\)。政策在给定\(X\)下随机分配治疗。 - 假设A2：条件边际分布\(\gamma_z(x)\)是已知的（例如从随机化实验中估计得到），且\(\mathbb{E}[|Y(z)|] < \infty\)。 - 假设A3：新治疗\(Z'\)由转移核\(\kappa\)生成，且\((Z, Z') \perp\!\!\!\perp Y(\cdot) | X\)。 - 假设A4：\(\Gamma\)是Fr´echet类的乘积子类。 - 假设A5：伤害测度\(h\)满足\(h(y)=0\)对\(y \ge 0\)。 - 假设A6：\(B \ge 0\)给定。

可观测数据 vs. 不可观测量： - 可观测：\((X, Z, Y)\)——协变量、实际分配的治疗、实际观察到的结果。 - 不可观测（潜在）：\(Y(z)\)对\(z \neq Z\)——反事实结果。\(Y(\cdot)\)的联合分布——即使边际\(\gamma_z(x)\)可识别，耦合（即不同潜在结果之间的依赖关系）不可识别。 - 关键识别缺口：伤害\(h(Y(Z') - Y(Z))\)涉及两个潜在结果的比较，因此其分布不可识别，只能通过Fr´echet界或敏感性分析进行部分识别。

第二步：最小内核

最简特例：二元治疗、二元结果、Fr´echet类

考虑最简单的设定： - 治疗：\(Z \in \{0, 1\}\)（二元）。 - 结果：\(Y \in \{0, 1\}\)（二元，如死亡/存活）。 - 伤害测度：\(h(y) = \mathbb{1}\{y < 0\}\)（即概率伤害）。 - 依赖类：\(\Gamma = \Gamma_F\)（完全Fr´echet类，无额外约束）。 - 基线政策：\(d(0|x) = 1\)（所有人当前都接受治疗0）。

在这个特例下，优化问题(1)退化成什么？

目标：最大化\(\mathbb{E}_\kappa[Y(Z')]\)，约束：\(\sup_{\gamma \in \Gamma_F} P_\kappa(Y(Z') < Y(Z)) \le B\)。

由于\(Z\)是二元的，转移核\(\kappa\)只有两个非平凡参数：\(\kappa(1|0, x)\)（从0转到1的概率）和\(\kappa(0|1, x)\)（从1转到0的概率）。但根据定理2的证明，可以证明最优解中\(\kappa(0|1, x)=0\)当\(\tau(x) > 0\)（即CATE为正时，不会从1转回0）。因此，问题简化为：对每个\(x\)，选择\(c(x) = \kappa(1|0, x) \in [0, 1]\)。

目标函数：

\[\mathbb{E}_\kappa[Y(Z')] = \mathbb{E}[Y(0)] + \mathbb{E}[c(X) \tau(X)]\]

约束：

\[\sup_{\gamma \in \Gamma_F} P_\kappa(Y(1) < Y(0) | X=x) = \sup_{\gamma \in \Gamma_F} c(x) \cdot P_\gamma(Y(1) < Y(0) | X=x) = c(x) \cdot \min\{\gamma_0(x), 1-\gamma_1(x)\}\]

其中\(\gamma_z(x) = P(Y(z)=1|X=x)\)。最后一个等式来自Fr´echet界：在二元结果下，\(P(Y(1) < Y(0))\)的最大可能值就是\(\min\{\gamma_0, 1-\gamma_1\}\)（当两个潜在结果反单调耦合时达到）。

因此，问题变成连续背包问题：

\[\max_{c: \mathcal{X} \to [0,1]} \mathbb{E}[c(X) \tau(X)] \quad \text{s.t.} \quad \mathbb{E}[c(X) \cdot \min\{\gamma_0(X), 1-\gamma_1(X)\}] \le B\]

Neyman-Pearson引理（Lemma 1）直接给出解：

\[c^*(x) = \begin{cases} 1, & \Lambda(x) > \lambda^* \\ \alpha, & \Lambda(x) = \lambda^* \\ 0, & \Lambda(x) < \lambda^* \end{cases}\]
其中优先级得分\(\Lambda(x) = \tau(x) / \min\{\gamma_0(x), 1-\gamma_1(x)\}\)，\(\lambda^*\)和\(\alpha\)由预算\(B\)决定。

这个最小内核揭示了整篇论文的核心思路： 1. 伤害约束下的政策优化本质上是一个连续背包问题。 2. 背包问题的解具有词典式排序结构：按“收益/成本”比（即优先级得分）排序，从高到低依次“购买”转移。 3. 在多值治疗下，关键挑战是证明“跳跃”到最优治疗（而不是逐步改进）是最优的——这就是跳跃引理（Lemma 2）的作用。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在从基线政策过渡到新政策时，如何在控制最坏情况个体伤害（期望或概率）不超过给定阈值的前提下最大化总体福利，特别关注多值治疗设定。
  2. 核心工具/方法：将问题转化为连续背包问题，利用Neyman-Pearson引理和自创的“跳跃引理”（Lemma 2），证明最优政策转移具有“词典式跳跃”结构——子组按优先级得分排序，任何治疗变更直接跳至条件最优治疗。
  3. 主要结论：在Fr´echet类、次可加伤害测度和随机占优条件下，存在一个词典式跳跃的最优政策转移；优先级得分由“跳至最优治疗的期望增益/最坏情况期望伤害”给出；在二元结果下得到闭式表达式；通过对I-SPY2乳腺癌试验的再分析展示了方法的应用。

关键设定与假设

完整设定（在第二节最小记号基础上补充）：

  • 假设A1-A6（已在第二节列出）：条件可交换性、边际已知、转移随机、乘积子类、伤害测度性质、预算给定。
  • 次可加性（Definition 2）：\(h(y+y') \le h(y) + h(y')\)对所有\(y, y' \in \mathbb{R}\)成立。这保证了\(h\)是非增的，是跳跃引理证明中“补偿修改”步骤的关键。
  • 单调重耦合封闭性（Definition 3）：\(\Gamma\)在\((z, z^*)\)处对单调重耦合封闭，如果对任意\(\gamma \in \Gamma\)，存在\(\gamma' \in \Gamma\)使得：(1) 除\(Y(z)\)外所有潜在结果的联合分布不变；(2) \(Y(z) \le Y(z^*)\)在\(\gamma'\)下几乎必然成立。这等价于要求\(\gamma_z\)被\(\gamma_{z^*}\)随机占优，且\(\Gamma\)足够“丰富”以允许这种重耦合。
  • 随机占优：对每个\(x\)和\(z\)，\(Y(z)\)的条件分布被\(Y(z^*(x))\)随机占优。这是跳跃引理的前提条件。
  • 乘积类：\(\Gamma = \prod_{x \in \mathcal{X}} \Gamma(x)\)。这使得最坏情况伤害的sup可以与期望交换（公式7），从而将问题分解为每个\(x\)上的独立子问题。

相比已有文献的放宽/强化： - 放宽：允许多值治疗（此前多为二元）、随机基线政策（此前多为确定性基线）、一般伤害测度（此前多为概率伤害）。 - 强化：需要随机占优和单调重耦合封闭性（定理3），这在二元治疗下不需要（定理2）。

主要结果

定理1（二元结果、Fr´echet类）：当\(Y\)二元、\(\Gamma = \Gamma_F\)时，存在一个最优的词典式跳跃政策转移，其优先级得分独立于初始政策\(d\)。

定理2（二元治疗）：当\(Z\)二元时，存在\(\lambda^* \ge 0\)和\(\alpha^* \in [0,1]\)使得最优政策转移由阈值规则给出，优先级得分如公式(9)所示。这个定理不需要任何关于\(\Gamma\)或\(h\)的额外假设——是本文最一般的结果之一。

定理3（多值治疗、Fr´echet类）：假设\(\Gamma = \Gamma_F\)，\(h\)次可加，且\(Y(z)\)被\(Y(z^*(x))\)随机占优。则存在\(\lambda^* \ge 0\)和\(\alpha^* \in [0,1]\)使得最优政策转移为：对\(z \neq z^*(x)\)，\(\kappa^*(z^*(x)|z, x) = t(z, x; \alpha^*, \lambda^*)\)，\(\kappa^*(z|z, x) = 1 - t(z, x; \alpha^*, \lambda^*)\)；对\(z = z^*(x)\)，\(\kappa^*(z^*(x)|z^*(x), x) = 1\)；所有其他转移概率为零。优先级得分由公式(10)给出。

定理4（Pareto效率）：在定理3的设定下，若伤害测度为负部函数\(h(y) = y^-\)，且所有条件潜在结果边际被随机占优完全排序，则定理3的解也最大化最坏情况期望收益（公式15）。

命题1（高斯copula下的优先级得分）：当潜在结果具有高斯copula且相关性下界为\(\rho_L\)时，最坏情况期望伤害有闭式表达式（涉及双重积分），且当\(\rho_L \to -1\)时收敛到Fr´echet界。

命题2（高斯结果）：若潜在结果给定\(X\)下服从多元高斯分布，则所有治疗臂具有相同的条件方差\(\sigma(x)\)，优先级得分等价于按标准化增益\(r(z, x) = (\mu_{z^*}(x) - \mu_z(x)) / \sigma(x)\)排序。

证明路线与技术技巧

整体路线（以定理3为例）：

  1. 分解为条件子问题：利用乘积类假设，将最坏情况伤害的sup与期望交换（公式7），将问题分解为每个\(x\)上的独立子问题。

  2. 应用跳跃引理（Lemma 2）：对任意可行转移\(\kappa\)，通过三步变换构造一个“不更差”的跳跃转移\(\kappa^*\)：

  3. Step 1：移除所有“向下转移”（从高均值治疗到低均值治疗）。这不会降低平均结果，也不会增加伤害。
  4. Step 2：移除所有“进入或离开次优治疗\(z\)的向上转移”。通过“补偿修改”（见Example 1的说明），在保持平均结果不变的同时不增加最坏情况伤害。次可加性在此步骤中用于控制补偿转移的伤害。

  5. Step 3：将剩余的“向上转移到\(z\)”全部重定向到最优治疗\(z^*\)。利用单调重耦合封闭性，证明最坏情况伤害不会增加。

  6. 将问题简化为连续背包：在跳跃结构下，目标函数和约束都成为\(\kappa(z^*(x)|z, x)\)的线性泛函（公式12-14）。关键观察：由于所有伤害最大化问题都是关于同一边际\(Y(z^*(x))\)的成对运输问题，成对最优运输映射可以组合成所有潜在结果之间的联合映射，因此sup可以与对\(z\)的求和交换。

  7. 应用Neyman-Pearson引理：将问题写成连续背包问题（公式5），其中\(a(x) = \sum_z d(z|x) \kappa(z^*(x)|z, x) \Delta(z, x)\)，\(b(x) = \sum_z d(z|x) \kappa(z^*(x)|z, x) H(z, x)\)。Lemma 1直接给出阈值解。

关键跳跃点：

  • 跳跃引理（Lemma 2）的证明：这是全文最吃功夫的部分。难点在于：直接移除“向上转移到次优治疗”可能会增加最坏情况伤害（如Example 1所示）。作者的解决方法是“补偿修改”——同时调整从不同源状态的转移，使得平均结果不变，而次可加性保证伤害不增。具体地，在Step 2中，同时减少从\(z\)到\(z\)的转移和从\(z\)到\(z\)的转移，并增加从\(z\)到\(z\)和从\(z\)到\(z\)的转移，比例\(\alpha\)由源状态的概率决定。

  • 公式(14)的推导：将sup与对\(z\)的求和交换需要论证“成对最优运输映射可以组合”。作者指出，因为所有成对问题都涉及同一个边际\(Y(z^*(x))\)，所以可以构造一个联合分布使得所有成对耦合同时达到最优。这个论证依赖于Fr´echet类的结构，在更一般的\(\Gamma\)下需要额外的“C-vine copula”条件（Remark 1）。

技术技巧点名： - Neyman-Pearson引理 / 连续背包：用于从线性规划得到阈值解。 - 补偿修改：跳跃引理Step 2中，通过同时调整多个转移来保持平均结果不变。 - 单调重耦合：跳跃引理Step 3中，利用\(\Gamma\)的封闭性构造一个“更有序”的联合分布。 - Fr´echet界 / 最优运输：用于计算最坏情况期望伤害（公式18，Proposition 1）。 - 高斯copula：用于在连续结果下得到优先级得分的闭式表达式（Proposition 1, 2）。 - C-vine copula：用于论证更一般\(\Gamma\)下的可交换性（Remark 1）。

真实例子与应用

数据： I-SPY2乳腺癌平台试验（Barker et al., 2009; Wang & Yee, 2019），987名患者，10个治疗臂（含共享对照组），二元结果（病理完全缓解pCR）。患者按临床受体亚型（HR/HER2）分层。

方法应用： 1. 从Wolf et al. (2022)的Table S2提取每个（治疗臂，亚型）单元格的pCR计数和总人数（Table 1）。 2. 对每个单元格，采用Beta后验（平坦先验），后验均值为\((y+1)/(n+2)\)。 3. 计算三种优先级得分：CATE（即\(\Delta(z, x)\)）、非负依赖得分\(\Lambda_1\)（假设OR≥1）、Fr´echet得分\(\Lambda_0\)（无约束）。 4. 通过后验抽样（10,000次）评估排名的不确定性。

结果： - Figure 2：三种得分在总体（\(n=\infty\)）下的排名相关性：CATE与\(\Lambda_1\)的Kendall's \(\tau_b = 0.83\)，CATE与\(\Lambda_0\)的\(\tau_b = 0.61\)。样本量增加时，有限样本排名与总体排名的相关性增加。 - Figure 3：在试验样本量下，排名恢复的变异性很大（\(\tau_b\)的箱线图范围约0.3-0.7）。 - Figure 4：Top-k恢复率：在试验样本量下，约一半的top-3或top-6组被正确恢复。 - Figure 5：后验排名置信区间显示大量不确定性。 - Figure 6：基于后验优势概率（\(\alpha=0.3\)）构建的优先级层级。三种得分给出不同的层级结构：CATE和\(\Lambda_1\)将Ctr/TN列为最高优先级，而\(\Lambda_0\)将三个组（Ctr/HR-HER2+, Ctr/HR+HER2+, Ctr/TN）列为最高优先级。

这个例子想说明什么： 1. 考虑反事实伤害会改变治疗-亚型对的优先级排序（CATE vs. 伤害感知得分给出不同排名）。 2. 在有限样本下，排名存在大量不确定性，需要谨慎解释。 3. 优先级层级（而非精确排名）可能更适合实际决策。

🔎 结论是否比证明窄

  • 定理3的假设：要求\(\Gamma = \Gamma_F\)（完全Fr´echet类）和随机占优。作者在Remark 1中声称可以扩展到更一般的\(\Gamma\)，但需要两个额外条件（单调重耦合封闭性和C-vine copula结构）。这些条件在实际中很难验证，因此定理3的适用范围可能比作者声称的窄。
  • 定理4：要求所有条件潜在结果边际被随机占优完全排序。这是一个很强的条件——在多值治疗下，通常只有部分治疗对被随机占优关系覆盖。作者在证明后立即指出，如果缺乏完全排序，可以通过进一步交换不占优的治疗对来“改进”政策，但这可能增加最坏情况伤害（同时增加最坏情况收益）。因此，定理4的结论可能不适用于一般情况。
  • Proposition 2（高斯结果）：要求所有治疗臂具有相同的条件方差。这是一个很强的隐含假设——在多元高斯下，随机占优确实隐含方差相等（证明中明确推导了这一点），但在非高斯设定下不一定成立。作者未讨论这个假设的敏感性。

四、开放问题

  1. 动态/多阶段设定：本文只考虑单步政策转移。在多阶段设定下，词典式跳跃结构是否仍然成立？或者需要动态规划方法？扎根点：Section 7提到“Our analysis treats benefit and counterfactual harm as changes in the same scalar outcome”，未讨论时序设定。

  2. 多维/安全结果：当伤害和安全涉及多个不同维度的结果时（如疗效 vs. 副作用），如何定义和约束伤害？扎根点：Section 7提到“Applications with distinct or multidimensional safety outcomes would require defining the relevant counterfactual safety comparisons”。

  3. 多重约束：当存在资源、公平性或亚组特异性伤害约束时，问题变成多约束优化，不再有单得分阈值解。如何计算或近似最优解？扎根点：Section 7提到“Resource, fairness, or subgroup-specific harm constrains can be added computationally, but generally produce a multi-constraint optimization problem without the present one-score threshold solution”。

  4. 个体层面保证：本文的伤害预算控制的是群体水平的最坏情况期望损失，不保证每个个体或亚组都不受伤害。如何将约束加强到个体或亚组水平的概率保证？扎根点：Section 7提到“because the harm budget controls population-level worst-case expected loss, it does not guarantee that every individual or subgroup is protected from harm”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论