Este artículo aborda el problema de la agregación de preferencias de agentes para la toma de decisiones colectiva, un tema crucial en diversos campos. Considerando los desafíos de diseñar reglas de agregación con propiedades específicas (axiomas) en la teoría de la elección social, proponemos un método para aprender reglas de agregación, específicamente reglas de votación, a partir de datos. Para superar las limitaciones de los modelos a gran escala o las representaciones de preferencias de los estudios existentes, replanteamos el problema como un problema de aprendizaje de funciones probabilísticas que genera una distribución de probabilidad sobre un conjunto de candidatos. Aprendemos la función probabilística de elección social utilizando una red neuronal y demostramos la efectividad y la capacidad de aprendizaje de la codificación de perfiles de preferencia utilizando incrustaciones estándar de la teoría de la elección social. Demostramos que las reglas pueden aprenderse más rápido y con una red más pequeña que en estudios previos. Además, demostramos que las propiedades axiomáticas pueden utilizarse para ajustar las reglas aprendidas y crear nuevas reglas de votación, y que este enfoque mejora la resistencia a ciertos tipos de ataques (p. ej., la paradoja probabilística de la no respuesta).
