論文の概要: Achieving Proportionality up to the Maximin Item with Indivisible Goods

• arxiv url: http://arxiv.org/abs/2009.09508v3
• Date: Thu, 14 Jan 2021 17:31:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 13:10:51.499568
• Title: Achieving Proportionality up to the Maximin Item with Indivisible Goods
• Title（参考訳）: 不可分品による最大項目の特質の達成
• Authors: Artem Baklanov, Pranav Garimidi, Vasilis Gkatzelis, Daniel Schoepflin
• Abstract要約: 我々は、分割不可能な商品をかなり配置する問題を研究し、古典的公平性の概念である比例性に焦点をあてる。 最近の研究で、比例性(PROPx)の近似バージョンでさえ、小さなインスタンスでも達成できないことが証明されている。 最大5つのエージェントが付加価値を持つ場合において、この概念を満たすアロケーションにどのように到達するかを示す。
• 参考スコア（独自算出の注目度）: 14.002498730240902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of fairly allocating indivisible goods and focus on the classic fairness notion of proportionality. The indivisibility of the goods is long known to pose highly non-trivial obstacles to achieving fairness, and a very vibrant line of research has aimed to circumvent them using appropriate notions of approximate fairness. Recent work has established that even approximate versions of proportionality (PROPx) may be impossible to achieve even for small instances, while the best known achievable approximations (PROP1) are much weaker. We introduce the notion of proportionality up to the maximin item (PROPm) and show how to reach an allocation satisfying this notion for any instance involving up to five agents with additive valuations. PROPm provides a well-motivated middle-ground between PROP1 and PROPx, while also capturing some elements of the well-studied maximin share (MMS) benchmark: another relaxation of proportionality that has attracted a lot of attention.
• Abstract（参考訳）: 我々は,不可分な商品を公平に割る問題を研究し,古典的公平性概念である比例性に焦点をあてた。 商品の不可分性は、フェアネスを達成するために非常に非自明な障害となることが長く知られており、非常に活発な研究は、それらを近似フェアネスの適切な概念を用いて回避することを目的としている。 近年の研究では、比例性(PROPx)の近似バージョンでさえ、小さなインスタンスでも達成できないことが確認されているが、最もよく知られた達成可能な近似(PROP1)はより弱い。 本稿では,最大値項目(PROPm)に比例性の概念を導入し,最大5エージェントの付加的評価を含む場合において,この概念を満たすアロケーションにどのように到達するかを示す。 PROPm は PROP1 と PROPx の中間層として,十分に研究されたmaximin Share (MMS) ベンチマークのいくつかの要素も取得している。

関連論文リスト

• Long-Term Fairness in Sequential Multi-Agent Selection with Positive Reinforcement [21.44063458579184]
  大学入学や採用のような選抜プロセスでは、少数派からの応募者に対する偏見は肯定的なフィードバックをもたらすと仮定される。 グリーディスコアとフェアネスのバランスをとるマルチエージェント・フェア・グリーディ政策を提案する。 以上の結果から, 正の強化は長期的公正性にとって有望なメカニズムであるが, 進化モデルの変動に頑健な政策を慎重に設計する必要があることが示唆された。
  論文  参考訳（メタデータ） (2024-07-10T04:03:23Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Proportional Fairness in Clustering: A Social Choice Perspective [14.226371312639145]
  我々はChenらによる比例クラスタリング問題(ICML'19)について検討し、計算社会選択におけるマルチウィンナー投票の分野と関連づける。 比例フェアネスに対する近似は、個人フェアネスに対する近似であり、その逆でもあることを示す。
  論文  参考訳（メタデータ） (2023-10-27T14:12:56Z)
• Navigating Fairness Measures and Trade-Offs [0.0]
  私は、Rawlsの公正性の概念をフェアネスとして利用することで、公正性対策と正確なトレードオフをナビゲートするための基盤を作ることができることを示します。 これはまた、分配的正義の哲学的説明と公正文学の間のギャップを埋めるのにも役立っている。
  論文  参考訳（メタデータ） (2023-07-17T13:45:47Z)
• Mimicking Better by Matching the Approximate Action Distribution [48.95048003354255]
  そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。 我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T12:43:47Z)
• Proportional Fairness in Obnoxious Facility Location [70.64736616610202]
  この問題に対して,距離に基づく比例フェアネスの概念の階層構造を提案する。 決定論的かつランダムなメカニズムを考察し、比例フェアネスの価格に関する厳密な境界を計算する。 モデルの拡張が2つあることを示す。
  論文  参考訳（メタデータ） (2023-01-11T07:30:35Z)
• Fair Bayes-Optimal Classifiers Under Predictive Parity [33.648053823193855]
  本稿では、異なる保護群間での正の予測から、成功の確率を等しくする必要がある予測パリティについて考察する。 本研究では,FairBayes-DPPと呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-15T04:58:10Z)
• Under-Approximating Expected Total Rewards in POMDPs [68.8204255655161]
  我々は、部分的に観測可能なマルコフ決定プロセス(POMDP)において、ゴール状態に達するための最適な総報酬を考える。 我々は、MILP(mixed-integer linear programming)を用いて、そのような最小限の確率シフトを見つけ、実験により、我々の手法がかなりうまく拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-21T16:43:03Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Provably Good Batch Reinforcement Learning Without Great Exploration [51.51462608429621]
  バッチ強化学習(RL)は、RLアルゴリズムを多くの高利得タスクに適用するために重要である。 最近のアルゴリズムは将来性を示しているが、期待された結果に対して過度に楽観的である。 より保守的な更新を行うため、ベルマンの最適性と評価のバックアップに小さな修正を加えることで、はるかに強力な保証が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-16T09:25:54Z)
• Opportunistic Multi-aspect Fairness through Personalized Re-ranking [5.8562079474220665]
  複数の公正度次元にわたる個人の嗜好を学習するフェアネス・アウェア・レコメンデーションに対する再ランクのアプローチを提案する。 我々は,我々の正当性とメートル法に依存しないアプローチが,従来よりも正確性と公平性の間のトレードオフを良好に達成していることを示す。
  論文  参考訳（メタデータ） (2020-05-21T04:25:20Z)

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。