論文の概要: Fair Influence Maximization: A Welfare Optimization Approach
- arxiv url: http://arxiv.org/abs/2006.07906v2
- Date: Tue, 15 Dec 2020 21:39:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 12:42:17.206826
- Title: Fair Influence Maximization: A Welfare Optimization Approach
- Title(参考訳): 公正影響の最大化:福祉最適化アプローチ
- Authors: Aida Rahmattalabi, Shahin Jabbari, Himabindu Lakkaraju, Phebe Vayanos,
Max Izenberg, Ryan Brown, Eric Rice, Milind Tambe
- Abstract要約: 我々は、公正な影響アルゴリズムが満たすべき特性を原則的に特徴づける。
この枠組みの下では、公平性と効率性のトレードオフは単一の設計逆転パラメータによって制御できる。
我々の枠組みは、特殊ケースのレキシミンと比例フェアネスを包含する。
- 参考スコア(独自算出の注目度): 34.39574750992602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several behavioral, social, and public health interventions, such as
suicide/HIV prevention or community preparedness against natural disasters,
leverage social network information to maximize outreach. Algorithmic influence
maximization techniques have been proposed to aid with the choice of "peer
leaders" or "influencers" in such interventions. Yet, traditional algorithms
for influence maximization have not been designed with these interventions in
mind. As a result, they may disproportionately exclude minority communities
from the benefits of the intervention. This has motivated research on fair
influence maximization. Existing techniques come with two major drawbacks.
First, they require committing to a single fairness measure. Second, these
measures are typically imposed as strict constraints leading to undesirable
properties such as wastage of resources.
To address these shortcomings, we provide a principled characterization of
the properties that a fair influence maximization algorithm should satisfy. In
particular, we propose a framework based on social welfare theory, wherein the
cardinal utilities derived by each community are aggregated using the
isoelastic social welfare functions. Under this framework, the trade-off
between fairness and efficiency can be controlled by a single inequality
aversion design parameter. We then show under what circumstances our proposed
principles can be satisfied by a welfare function. The resulting optimization
problem is monotone and submodular and can be solved efficiently with
optimality guarantees. Our framework encompasses as special cases leximin and
proportional fairness. Extensive experiments on synthetic and real world
datasets including a case study on landslide risk management demonstrate the
efficacy of the proposed framework.
- Abstract(参考訳): 自殺・HIV予防や自然災害に対する地域社会の準備など、行動、社会的、公衆衛生上の介入は、アウトリーチを最大化するためにソーシャルネットワーク情報を活用する。
アルゴリズムによる影響の最大化技術は、そのような介入における「ピアリーダー」や「インフルエンサー」の選択を支援するために提案されている。
しかし、影響の最大化のための伝統的なアルゴリズムは、これらの介入を念頭に設計されていない。
結果として、介入の恩恵から少数派コミュニティを不均等に排除することができる。
これは公正影響の最大化の研究の動機となった。
既存の技術には2つの大きな欠点がある。
まず、単一の公平度尺度にコミットする必要があります。
第二に、これらの措置は典型的には資源の浪費のような望ましくない性質につながる厳しい制約として課せられる。
これらの欠点に対処するために、公平な影響最大化アルゴリズムが満たすべき特性の原理的特徴付けを提供する。
特に, 社会福祉理論に基づく枠組みを提案し, 社会福祉の等弾性関数を用いて, 各共同体が導出した基本ユーティリティを集約する。
この枠組みの下では、公平性と効率のトレードオフは、単一の不等式反転設計パラメータによって制御できる。
次に、我々の提案した原則が福祉機能によって満足できる状況を示す。
その結果得られる最適化問題は単調かつ亜モジュラーであり、最適性保証により効率的に解くことができる。
我々の枠組みは、特殊ケースのレキシミンと比例公正である。
地すべりリスク管理を含む総合的および実世界のデータセットに関する広範な実験により,提案手法の有効性が実証された。
関連論文リスト
- Optimal and Fair Encouragement Policy Evaluation and Learning [11.712023983596914]
本研究では, 因果同定, 統計的分散推定, および最適処理規則のロバスト推定について検討した。
一般制約下でのパラメタライズされたポリシークラスを解くための2段階のアルゴリズムを開発し、分散感応的後悔境界を求める。
論文 参考訳(メタデータ) (2023-09-12T20:45:30Z) - Domain Generalization without Excess Empirical Risk [83.26052467843725]
一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。
我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。
我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
論文 参考訳(メタデータ) (2023-08-30T08:46:46Z) - Rebalancing Social Feed to Minimize Polarization and Disagreement [24.939887831898453]
本稿では,ユーザのソーシャルフィードをわずかにヌードすることを目的とした新しい問題定式化を提案し,その妥当性と多様性を両立させる。
提案手法は,ユーザがフォローするアカウントの相対的重要性を再重み付けすることで,ユーザに対して様々なアカウントが生成するコンテンツの頻度を校正する。
論文 参考訳(メタデータ) (2023-08-28T10:59:05Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - Causal Fairness for Outcome Control [68.12191782657437]
本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。
本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。
次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
論文 参考訳(メタデータ) (2023-06-08T09:31:18Z) - Theoretically Principled Federated Learning for Balancing Privacy and
Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。
フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文 参考訳(メタデータ) (2023-05-24T13:44:02Z) - Towards a Fairness-Aware Scoring System for Algorithmic Decision-Making [35.21763166288736]
本稿では,データ駆動型フェアネス対応スコアリングシステムを構築するための一般的なフレームワークを提案する。
提案するフレームワークは,実践者や政策立案者に対して,希望する公正性要件を選択するための柔軟性を提供する。
論文 参考訳(メタデータ) (2021-09-21T09:46:35Z) - Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。
本稿では,理論的観点から,そのような手法の性能について考察する。
交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文 参考訳(メタデータ) (2020-11-03T15:33:10Z) - Balancing Fairness and Efficiency in an Optimization Model [0.0]
公平性と効率性のトレードオフは多くの実践的な決定の重要な要素である。
最適化モデルにおいて、これらの2つの基準のバランスをとるための原則的で実践的な手法を提案する。
本稿では,医療資源の配分と災害対策を含む現実的な規模の問題について述べる。
論文 参考訳(メタデータ) (2020-06-10T17:24:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。