論文の概要: Fair Resource Allocation for Demands with Sharp Lower Tail Inequalities

• arxiv url: http://arxiv.org/abs/2101.12403v1
• Date: Fri, 29 Jan 2021 04:53:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 13:35:00.396950
• Title: Fair Resource Allocation for Demands with Sharp Lower Tail Inequalities
• Title（参考訳）: シャープ低水準の不平等の需要に対する公平な資源配分
• Authors: Vacharapat Mettanant, Jittat Fakcharoenphol
• Abstract要約: 資源配分における公平性の問題を検討し、複数のグループが共通のソースから資源を合計固定額で要求する。 鋭利な下尾不等式を満たす多くの共通需要分布において,各グループの平均需要に比例する資源を提供する自然割当は,非常によく機能することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider a fairness problem in resource allocation where multiple groups demand resources from a common source with the total fixed amount. The general model was introduced by Elzayn et al. [FAT*'19]. We follow Donahue and Kleinberg [FAT*'20] who considered the case when the demand distribution is known. We show that for many common demand distributions that satisfy sharp lower tail inequalities, a natural allocation that provides resources proportional to each group's average demand performs very well. More specifically, this natural allocation is approximately fair and efficient (i.e., it provides near maximum utilization). We also show that, when small amount of unfairness is allowed, the Price of Fairness (PoF), in this case, is close to 1.
• Abstract（参考訳）: 資源割り当てにおける公平性の問題として、複数のグループが資源を総固定量で共通の情報源から要求する問題を考える。 一般的なモデルはelzaynらによって導入された。 [FAT*'19]。 我々は需要分布が分かっている場合を考慮したDonahue と Kleinberg [FAT*'20] に従う。 鋭利な下尾不等式を満たす多くの共通需要分布において,各グループの平均需要に比例する資源を提供する自然割当は,非常によく機能することを示す。 より具体的には、この自然割当は概ね公平で効率的である(つまり、最大使用量に近い)。 また、少量の不公平が許される場合、Price of Fairness (PoF) が1.5%近くとなることも示している。

関連論文リスト

• Fair Allocation in Dynamic Mechanism Design [57.66441610380448]
  競売業者が各ラウンドの買い手グループに、合計で$T$で分けない商品を販売している問題を考える。 競売人は、各グループの最低平均配分を保証する公正な制約に固執しつつ、割引された全体の収益を最大化することを目的としている。
  論文  参考訳（メタデータ） (2024-05-31T19:26:05Z)
• The Rate-Distortion-Perception Trade-off: The Role of Private Randomness [53.81648040452621]
  圧縮速度がソースのエントロピーよりも低い場合、プライベートなランダム性は役に立たないことを示す。 圧縮速度がソースのエントロピーよりも低い場合, プライベートなランダム性が有用でないことを示す。
  論文  参考訳（メタデータ） (2024-04-01T13:36:01Z)
• Trading-off price for data quality to achieve fair online allocation [25.154957931903525]
  オンラインアロケーションの問題は、長期的公正なペナルティに該当すると考えられる。 両問題を共同で解き,$mathcalO(sqrtT)$で有界な後悔を示すアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-23T11:09:43Z)
• Sampling Individually-Fair Rankings that are Always Group Fair [9.333939443470944]
  公正ランキングタスクは、グループフェアネスの制約を満たすために、実用性を最大化するために一連のアイテムをランク付けするよう要求する。 近年の研究では、品物の効用の不確かさが不公平の原因となっている。 我々は,各アウトプットランキングがグループフェアであることを保証しながら,個別のフェア分布からランキングを抽出する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-21T01:26:34Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• 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)
• Domain Adaptation meets Individual Fairness. And they get along [48.95808607591299]
  アルゴリズムフェアネスの介入は、機械学習モデルが分散シフトを克服するのに役立つことを示す。 特に,個人フェアネス(IF)の適切な概念を強制することで,MLモデルの分布外精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-01T16:19:55Z)
• A Fair Empirical Risk Minimization with Generalized Entropy [4.535780433771325]
  一般化エントロピーによって指定された公正性制約を伴う公正な経験的リスク最小化を考える。 公正な公正な分類問題が学べるかどうかを理論的に検討する。
  論文  参考訳（メタデータ） (2022-02-24T09:11:45Z)
• Robust Learning of Optimal Auctions [84.13356290199603]
  本研究では、入札者の評価値のサンプルを逆向きに破損させたり、逆向きに歪んだ分布から引き出すことができる場合に、サンプルから収益-最適マルチバイダオークションを学習する問題について検討する。 我々は,コルモゴロフ-スミルノフ距離における元の分布に対して$alpha$-closeの「全ての真の分布」に対して,収入がほぼ同時に最適であるメカニズムを学習できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-13T17:37:21Z)
• Maxmin-Fair Ranking: Individual Fairness under Group-Fairness Constraints [11.3077234652777]
  グループフェアの制約を課す際に生じる個人不公平の量を最小限に抑えることを目的としたランキングにおける公平性の新たな問題について検討する。 提案手法は, ランダム化を用いて, 最悪の個人が期待する満足度を最大化する分布最大化理論に根ざしている。
  論文  参考訳（メタデータ） (2021-06-16T09:27:12Z)
• On Fair Selection in the Presence of Implicit Variance [17.517529275692322]
  我々は、暗黙のバイアスがなくても、異なるグループからの候補者の質の推定は、別の基本的な方法、すなわち、その分散によって異なるかもしれないと論じる。 本稿では,グループ非依存正規分布から抽出される真の潜伏品質を有する簡易モデルを提案する。 人口パーティメカニズムが常に選択ユーティリティを増大させる一方で、任意の$gamma$-ruleが弱くなることを示す。
  論文  参考訳（メタデータ） (2020-06-24T13:08:31Z)

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。