在许多领域，如招生、招聘和推荐系统中，确定与候选人排名相关的线性效用函数是一个基础性问题。传统模型假设完全可见用于确定效用分数的特征集，但现实场景中往往涉及敏感属性，这些属性可能是隐藏或部分观察到的，然而它们可能通过设计的附加奖励影响结果，以促进公平性。
基于这一实际关注，我们研究了一种变体的排名解释问题，其中敏感特征不可观察，但可能通过特定组的线性提升影响候选人排名。
我们提出了一个正式框架来建模这一问题，并开发了一种算法解决方案，利用约束满足和自动推理技术共同推断与观察到的排名一致的线性评分参数和潜在的组奖励。
我们进一步表明，确定具有组特定奖励的满意线性函数在一般情况下是 $\textsf{NP}$-硬的，但当特征维度和组数为常数时，该问题可以以多项式时间求解。我们的研究是首次解决这一细致的变体，捕捉了公平排名和招生系统中的关键现实挑战。
我们在真实和合成数据集上进行了广泛实验，证明我们的方法有效地恢复隐藏的奖励结构，并提供了对观察到的排名结果的可信解释。
博主点评： 本文探讨了在现实世界中隐藏特征如何影响排名的复杂性，提出的算法解决方案在处理公平性问题上具有重要意义，尤其在招生和招聘等敏感领域，展现了算法的实际应用潜力。