Matchings, Predictions and Counterfactual Harm in Refugee Resettlement Processes

安置机构已经开始采用数据驱动的算法匹配，以就业率作为效用的衡量标准，将难民分配到不同的地点。在给定的难民池中，数据驱动的算法匹配利用分类器预测每个难民在任何给定地点找到就业的概率。然后，它利用预测的概率来估计所有可能的安置决策的预期效用。最后，通过解决最大权重二分匹配问题，找到最大化预测效用的安置决策。在这项工作中，我们认为，使用现有的解决方案，可能存在一些难民池，数据驱动的算法匹配会对它们造成（反事实地）有害影响——如果它被使用，它将比过去采用的某个默认政策实现更低的效用。然后，我们开发了一种后处理算法，它可以根据默认政策在难民池中做出的安置决策和他们的就业结果，解决一个反向匹配问题，以最小化修改给定分类器所做预测的程度。在这些修改后的预测下，最大化池中预测效用的最优匹配政策被保证不会有害。此外，我们引入了一个Transformer模型，它可以根据默认政策在多个难民池中做出的安置决策和他们的就业结果，学习修改分类器所做的预测，以便在未见过的难民池中，最大化预测效用的最优匹配政策不太可能有害。使用从各种公开可用的数据创建的合成难民数据进行模拟安置过程的实验表明，我们的方法可能在做出比现有解决方案更少有害的算法安置决策方面是有效的。

本论文旨在解决采用数据驱动算法匹配难民定居地点的过程中可能存在的负面影响问题，提出了一种后处理算法来保证最优匹配策略不会对难民造成负面影响。

本论文提出了一种后处理算法，通过最小修改分类器的预测结果，来保证最优匹配策略不会对难民造成负面影响。同时，还引入了一种Transformer模型来学习如何修改分类器的预测结果，以减少负面影响的发生。

本论文的实验使用了从公开数据集中生成的合成难民数据，并展示了后处理算法和Transformer模型的有效性。此外，本论文提出的后处理算法可以与现有的解决方案结合使用，从而提高数据驱动算法匹配的效果。

在这个领域中，最近的相关研究包括“Predictive Modeling for Refugee Migration”和“Optimizing Resettlement of Refugees with Integer Programming”。