Mehrere Nutzer, ein gemeinsames Ziel: Algorithmen für gerechte Entscheidungen

Entscheidungsträger setzen zunehmend auf maschinelles Lernen, um sensible Entscheidungen zu treffen. Damit einher geht der Bedarf an algorithmischem Regress, also konkreten Schritten, die Individuen ermöglichen, ungünstige KI-Entscheidungen zu korrigieren. Bisher konzentrierte sich die Forschung vorwiegend auf einzelne Antragsteller und einzelne Modelle. In der Praxis jedoch stehen mehrere Interessengruppen gleichzeitig im Spiel.

Um dieser Komplexität gerecht zu werden, präsentiert die neue Studie ein Multi‑Agent‑Framework für algorithmischen Regress. Dabei werden mehrere Antragsteller und mehrere Anbieter von Regressmaßnahmen als ein capacitated weighted bipartite Matching modelliert. Die Kantengewichte spiegeln die Kosten der Regressmaßnahmen wider und werden so optimiert, dass das kollektive Wohlergehen maximiert wird. Gleichzeitig wird die Lücke zwischen individueller und gemeinsamer Wohlfahrt quantifiziert.

Das vorgeschlagene dreistufige Optimierungsmodell besteht aus: 1) einer Grundmatching‑Phase, 2) einer optimalen Umverteilung der Kapazitäten zur Minimierung der Wohlfahrtslücke und 3) einer kostenbewussten Optimierung, die das Wohlergehen mit den Anpassungskosten in Einklang bringt. Experimente an synthetischen und realen Datensätzen zeigen, dass das System nahezu optimale Wohlfahrtswerte erreicht und damit einen bedeutenden Fortschritt für gerechte KI‑Entscheidungen darstellt.