注册

FairFRESH 用神经符号方法做家庭食物推荐，兼顾公平与可解释

论文AI 评分 62/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

这篇论文把家庭食物推荐建模为带约束的公平分配问题：系统学习每位成员的效用，在明确的福利目标下分配食物，用确定性过滤器执行饮食规则，并用 Shapley 与 Banzhaf 归因解释推荐结果。作者证明，在饮食规则阈值附近，任何有限惩罚都无法保证合规；在无库存模型下，给出贪心分配在功利主义与平滑纳什目标下的近似保证。在 NHANES 衍生数据上，学习效用模型的 Recall@20 为 0.293，高于五个学习型推荐器（最高 0.244），但低于前一日重复启发式（0.321）。在留出的四人家庭上，纳什分配把基尼差距相对冲突消解降低 42%，Recall@20 从 0.180 升到 0.197。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

问题设定与框架构成

现有推荐系统通常一次服务一个用户，但家庭成员共用有限的储藏食物，且各自遵循不同饮食规则，独立推荐容易造成资源冲突和饮食违规。作者因此把家庭食物推荐写成带约束的公平分配问题，并给出 FairFRESH 框架：先学习每位成员的效用函数，再在明确的福利目标下分配食物，饮食规则由确定性过滤器强制执行，推荐结果则用 Shapley 和 Banzhaf 归因给出解释。这一组合把学习部分与符号约束部分分开，使规则合规不依赖模型自行学会。

理论结论与近似保证

论文给出若干理论结果。其一，在饮食规则阈值附近，不存在有限惩罚能保证合规，说明仅靠软性惩罚约束并不可靠。其二，在无库存模型、过滤之前，作者为贪心分配在功利主义目标和平滑纳什目标下建立了近似保证。其三，刻画了纳什福利的尺度不变性。此外，作者用极小极大定理分析轮换共享餐食的情形。这些结论为框架中确定性过滤与分配策略的选择提供了依据。

数据实验与消融结果

在 NHANES 衍生数据上，学习效用模型的 Recall@20 达到 0.293，超过五个学习型推荐器，后者最高为 0.244，但不及前一日重复启发式的 0.321。在留出的四人家庭上，纳什分配相对冲突消解把基尼差距降低 42%，同时把 Recall@20 从 0.180 提高到 0.197，距平滑纳什最优上界在 2% 以内；重新缩放某位成员的效用，最多只改变 1.5% 的分配结果。所有推荐都满足编码的饮食规则，归因分数与移除组件后的效用损失相关系数为 0.76。

模拟中的共享与轮换

模拟实验显示，共享餐食使食品储藏的使用量减少约三分之一；按周轮换相比最佳固定餐食，能把处境最差成员的效用提高 38%。这两项结果对应家庭场景中资源共用与长期公平的两个关注点，也呼应了论文用极小极大定理分析轮换共享餐食的理论部分。

为什么值得看

把公平分配、饮食规则硬约束与可解释归因放进同一个推荐框架，并给出理论边界与家庭场景实测，对做约束型推荐与多用户系统的人…

论文

信源1 家

  1. [1]arXiv cs.AI一手信源FairFRESH: A Neuro-Symbolic Framework for Fair and Explainable Household Food Recommendation

关键事实

  • FairFRESH 把家庭食物推荐表述为带约束的公平分配，学习每位成员的效用，并用确定性过滤器执行饮食规则。[1]

  • 作者证明，在饮食规则阈值附近，任何有限惩罚都无法保证合规。[1]

  • 在 NHANES 衍生数据上，学习效用模型的 Recall@20 为 0.293，五个学习型推荐器最高为 0.244，前一日重复启发式为 0.321。[1]

  • 在留出的四人家庭上，纳什分配相对冲突消解把基尼差距降低 42%，Recall@20 从 0.180 提升到 0.197。[1]

  • 模拟中共享餐食使食品储藏使用减少约三分之一，每周轮换使最差成员效用比最佳固定餐食高 38%。[1]

相关 · 论文

北大孙仲联合IBM等发布综述，重新定义现代模拟计算

11月3日 周二·AI 72

OpenAI 自 GPT-5.6 起部署激活分类器监控模型输出

11月3日 周二·AI 78

Pixel-UMI：从传感器化人类演示学习全身操作策略

11月3日 周二·AI 72

Pixel 全栈机器人系统：软硬件协同设计实现通用移动操作

11月3日 周二·AI 72

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论