論文の概要: Same-Day Delivery with Fairness

• arxiv url: http://arxiv.org/abs/2007.09541v2
• Date: Thu, 23 Dec 2021 00:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 23:47:41.072914
• Title: Same-Day Delivery with Fairness
• Title（参考訳）: 公平な同日配達
• Authors: Xinwei Chen, Tong Wang, Barrett W. Thomas, Marlin W. Ulmer
• Abstract要約: 2016年、一部のマイノリティ地区はアマゾンの同日配達(SDD)サービスを受け取れなかった。 本稿では,顧客に対して公正なSDDサービスを提供することの問題点について考察する。 我々は、レートから実際のサービスへの学習の新たな変換を導入し、安定的で効率的な学習プロセスを創出する。
• 参考スコア（独自算出の注目度）: 5.904739807133708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The demand for same-day delivery (SDD) has increased rapidly in the last few years and has particularly boomed during the COVID-19 pandemic. The fast growth is not without its challenge. In 2016, due to low concentrations of memberships and far distance from the depot, certain minority neighborhoods were excluded from receiving Amazon's SDD service, raising concerns about fairness. In this paper, we study the problem of offering fair SDD-service to customers. The service area is partitioned into different regions. Over the course of a day, customers request for SDD service, and the timing of requests and delivery locations are not known in advance. The dispatcher dynamically assigns vehicles to make deliveries to accepted customers before their delivery deadline. In addition to the overall service rate (utility), we maximize the minimal regional service rate across all regions (fairness). We model the problem as a multi-objective Markov decision process and develop a deep Q-learning solution approach. We introduce a novel transformation of learning from rates to actual services, which creates a stable and efficient learning process. Computational results demonstrate the effectiveness of our approach in alleviating unfairness both spatially and temporally in different customer geographies. We also show this effectiveness is valid with different depot locations, providing businesses with an opportunity to achieve better fairness from any location. Further, we consider the impact of ignoring fairness in service, and results show that our policies eventually outperform the utility-driven baseline when customers have a high expectation on service level.
• Abstract（参考訳）: 同日配達(SDD)の需要はここ数年で急増しており、特に新型コロナウイルス(COVID-19)のパンデミックで急増している。 急速な成長は、その挑戦の欠如ではない。 2016年、会員の集中度が低く、補給所から遠く離れたため、一部のマイノリティ地区はアマゾンのSDDサービスを受け取れず、公正性への懸念が高まった。 本稿では,顧客に対して公正なSDDサービスを提供するという課題について考察する。 サービスエリアは異なるリージョンに分割される。 1日中、顧客はSDDサービスを要求するが、リクエストのタイミングや配送場所は事前に分かっていない。 ディスパッチャーは車両を動的に割り当て、受注した顧客への配送を納期前に行う。 全体のサービスレート(ユーティリティ)に加えて、すべての地域(フェアネス)における最小限の地域サービスレートを最大化します。 この問題を多目的マルコフ決定プロセスとしてモデル化し、深いQ-ラーニングソリューションアプローチを開発する。 我々は、レートから実際のサービスへの学習の新たな変換を導入し、安定的で効率的な学習プロセスを創出する。 計算結果は,異なる顧客地理における空間的・時間的不公平を緩和する手法の有効性を示した。 また、この効果が異なる補給所で有効であることを示し、あらゆる場所からより良い公平性を達成する機会を提供する。 さらに,サービスにおける公平性を無視した影響も考慮し,サービスレベルでの期待値が高い場合には,当社のポリシが最終的にユーティリティベースラインを上回っていることを示す。

関連論文リスト

• FedMABA: Towards Fair Federated Learning through Multi-Armed Bandits Allocation [26.52731463877256]
  本稿では,対戦型マルチアームバンディットの概念を導入し,性能格差を明示した制約で提案対象を最適化する。 そこで本研究では,データ分散の異なる多種多様なクライアント間での性能不公平さを軽減するために,新しいマルチアーム帯域割り当てFLアルゴリズム(FedMABA)を提案する。
  論文  参考訳（メタデータ） (2024-10-26T10:41:45Z)
• Fairness in Serving Large Language Models [45.81800239353461]
  本稿では,処理された入出力トークンの数を考慮したコスト関数に基づくサービスフェアネスの定義を提案する。 本稿では,新たなスケジューリングアルゴリズムであるVirtual Counter Token (VTC)を提案する。 サービススケジューラの2倍の厳しい上限を証明し、作業保守の要件に準拠します。
  論文  参考訳（メタデータ） (2023-12-31T21:15:54Z)
• Price-Discrimination Game for Distributed Resource Management in Federated Learning [3.724337025141794]
  FedAvgのようなバニラ連合学習(FL)では、パラメータサーバ(PS)と複数の分散クライアントが典型的な買い手市場を形成する。 本稿では、異なるクライアントに対して同じサービス価格を提供するのではなく、異なるクライアントが提供するサービスの価格を区別することを提案する。
  論文  参考訳（メタデータ） (2023-08-26T10:09:46Z)
• Using Simple Incentives to Improve Two-Sided Fairness in Ridesharing Systems [27.34946988130242]
  我々は、このILPの定式化の一環として、オンラインで実装できるシンプルなインセンティブに基づくフェアネススキームを提案する。 乗客グループとドライバーフェアネスの2つの異なるユースケースに対して、これらのフェアネスインセンティブをどのように定式化できるかを示す。
  論文  参考訳（メタデータ） (2023-03-25T02:24:27Z)
• FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
  フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。 本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
  論文  参考訳（メタデータ） (2022-10-31T22:59:03Z)
• FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
  本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。 効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
  論文  参考訳（メタデータ） (2022-10-14T08:11:34Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• A Deep Reinforcement Learning Approach for the Meal Delivery Problem [1.5391321019692434]
  一日に一組の宅配業者に与えられた動的顧客要求を満たす食事配達サービスについて検討する。 私たちはこのサービスをマルコフ決定プロセスとしてモデル化し、ソリューションアプローチとして深層強化学習を使用します。 本研究は,ある日に異なる順序周波数のクーリエの割り当てプロセスと最適なクーリエ数の両方について有意な知見を与える。
  論文  参考訳（メタデータ） (2021-04-24T19:01:59Z)
• Double Momentum SGD for Federated Learning [94.58442574293021]
  我々は、フェデレート学習におけるモデル性能を改善するために、DOMOと呼ばれる新しいSGD変種を提案する。 1つのモメンタバッファはサーバ更新方向を追跡し、もう1つはローカル更新方向を追跡します。 本稿では,サーバとローカルモーメントSGDを協調する新しいサーバモーメント融合手法を提案する。
  論文  参考訳（メタデータ） (2021-02-08T02:47:24Z)

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。