preference-elicitation

本文评估了四种机器学习模型在政策偏好诱导中的离散选择建模，使用蒙特卡洛实验和真实能源政策案例研究，以评估在个体异质性和选择复杂性下的性能。

介绍了一个分层框架，用于识别计算分歧度量所需的最小汇总偏好信息，提出了 plurality matrix，并证明成对比较是不够的；设计了获取协议，在参与者数量与认知负荷之间进行权衡。

提出将成对排名提示（PRP）重排序重新构建为从噪声成对比较中进行主动学习，在预算约束下提高每次调用的NDCG@10，并引入一种随机方向预言机，减少每对所需的LLM调用次数。