論文の概要: Trading the System Efficiency for the Income Equality of Drivers in Rideshare

• arxiv url: http://arxiv.org/abs/2012.06850v1
• Date: Sat, 12 Dec 2020 16:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 05:14:07.848969
• Title: Trading the System Efficiency for the Income Equality of Drivers in Rideshare
• Title（参考訳）: 配車におけるドライバーの所得平等のためのシステム効率の取引
• Authors: Yifan Xu and Pan Xu
• Abstract要約: ライダーの差別的キャンセルによる配車ドライバー間の所得格差を調査します。 事前に知られた流通に続いて、ライダーが順次到着すると想定されるオンライン二元マッチングモデルを提案する。
• 参考スコア（独自算出の注目度）: 23.53645438932742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several scientific studies have reported the existence of the income gap among rideshare drivers based on demographic factors such as gender, age, race, etc. In this paper, we study the income inequality among rideshare drivers due to discriminative cancellations from riders, and the tradeoff between the income inequality (called fairness objective) with the system efficiency (called profit objective). We proposed an online bipartite-matching model where riders are assumed to arrive sequentially following a distribution known in advance. The highlight of our model is the concept of acceptance rate between any pair of driver-rider types, where types are defined based on demographic factors. Specially, we assume each rider can accept or cancel the driver assigned to her, each occurs with a certain probability which reflects the acceptance degree from the rider type towards the driver type. We construct a bi-objective linear program as a valid benchmark and propose two LP-based parameterized online algorithms. Rigorous online competitive ratio analysis is offered to demonstrate the flexibility and efficiency of our online algorithms in balancing the two conflicting goals, promotions of fairness and profit. Experimental results on a real-world dataset are provided as well, which confirm our theoretical predictions.
• Abstract（参考訳）: いくつかの科学的研究は、性別、年齢、人種などの人口統計に基づくライドシェアドライバーの所得格差の存在を報告している。 本稿では,ライダーの差別的キャンセルによる配車者間の所得不平等と,システム効率(利益目標)による所得不平等(公正目標)のトレードオフについて検討する。 オンラインの2部マッチングモデルを提案し,事前の分布に追従して乗客の到着を想定した。 我々のモデルは、人口統計因子に基づいてタイプが定義されるドライバーライダタイプ間の受け入れ率の概念である。 特に、各ライダーが割り当てられたドライバーを受け入れたりキャンセルしたりすることができ、それぞれがライダータイプからドライバータイプへの受け入れ度を反映した一定の確率で発生すると仮定する。 有効なベンチマークとして2目的線形プログラムを構築し、2つのLPベースのパラメータ化オンラインアルゴリズムを提案する。 厳密なオンライン競争比分析は、対立する2つの目標、公正の促進と利益のバランスをとるオンラインアルゴリズムの柔軟性と効率を示すために提供されます。 実世界のデータセットに関する実験結果も提供され、理論的予測を確認します。

関連論文リスト

• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• FedDriveScore: Federated Scoring Driving Behavior with a Mixture of Metric Distributions [6.195950768412144]
  集中型学習に代わるプライバシフレンドリな代替手段として,自動車とクラウドのコラボレーションが提案されている。 このフレームワークは、グローバルスコアリングモデルの性能劣化を低減するために、一貫したスコアリング手法のフェデレーションバージョンを含む。
  論文  参考訳（メタデータ） (2024-01-13T02:15:41Z)
• Fairness-Enhancing Vehicle Rebalancing in the Ride-hailing System [7.531863938542706]
  配車産業の急速な成長は、世界中の都市交通に革命をもたらした。 その利益にもかかわらず、保存されていない地域社会が手頃な価格の配車サービスへのアクセシビリティに制限されているため、株式の懸念が生じる。 本稿では,新しい車両再バランス手法により,アルゴリズムとライダーの公正性を両立することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-29T23:02:34Z)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• 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)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Data-Driven Methods for Balancing Fairness and Efficiency in Ride-Pooling [10.613763106603272]
  配車プラットフォームにおける不平等を低減させる2つの方法について検討する。 まず,運転者側フェアネスの最適化は,利用者数で最先端のモデルよりも優れていることがわかった。 第二に、収入の再分配を、ドライバーに収入の$r$を抑え、残りを再分配プールに寄付することで、所得不平等と戦う方法として検討する。
  論文  参考訳（メタデータ） (2021-10-07T14:53:37Z)
• Efficiency, Fairness, and Stability in Non-Commercial Peer-to-Peer Ridesharing [84.47891614815325]
  本稿は、P2Pライドシェアリングにおける中核的な問題である、ライダーとドライバーのマッチングに焦点を当てる。 P2Pライドシェアリングにおける公平性と安定性の新たな概念を紹介する。 結果は、妥当な計算時間で、公平で安定した解が得られることを示唆している。
  論文  参考訳（メタデータ） (2021-10-04T02:14:49Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Driver Identification through Stochastic Multi-State Car-Following Modeling [7.589491805669563]
  ドライバー内およびドライバー間不均一性は多くの研究によってヒトの運転行動に存在することが確認されている。 全てのドライバーが運転状態のプールを共有していると仮定され、各状態の下では、自動車追従データ列は特徴空間における特定の確率分布に従う。 各ドライバは、ドライバ内不均一性を特徴づけるドライバプロファイルと呼ばれる、各状態に対する自身の確率分布を持つ。
  論文  参考訳（メタデータ） (2020-05-22T09:39:00Z)

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。