論文の概要: Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors
- arxiv url: http://arxiv.org/abs/2102.06988v1
- Date: Sat, 13 Feb 2021 19:25:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:29:06.898527
- Title: Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors
- Title(参考訳): 多段階分散マッチング市場:不確かな選好と戦略行動
- Authors: Xiaowu Dai and Michael I. Jordan
- Abstract要約: 本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
- 参考スコア(独自算出の注目度): 91.3755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Matching markets are often organized in a multi-stage and decentralized
manner. Moreover, participants in real-world matching markets often have
uncertain preferences. This article develops a framework for learning optimal
strategies in such settings, based on a nonparametric statistical approach and
variational analysis. We propose an efficient algorithm, built upon concepts of
"lower uncertainty bound" and "calibrated decentralized matching," for
maximizing the participants' expected payoff. We show that there exists a
welfare-versus-fairness trade-off that is characterized by the uncertainty
level of acceptance. Participants will strategically act in favor of a low
uncertainty level to reduce competition and increase expected payoff. We study
signaling mechanisms that help to clear the congestion in such decentralized
markets and find that the effects of signaling are heterogeneous, showing a
dependence on the participants and matching stages. We prove that participants
can be better off with multi-stage matching compared to single-stage matching.
The deferred acceptance procedure assumes no limit on the number of stages and
attains efficiency and fairness but may make some participants worse off than
multi-stage matching. We demonstrate aspects of the theoretical predictions
through simulations and an experiment using real data from college admissions.
- Abstract(参考訳): 一致する市場はしばしば多段階かつ分散的に組織される。
さらに、現実世界のマッチングマーケットの参加者は、しばしば不確実な嗜好を持つ。
本稿では,非パラメトリックな統計的アプローチと変分解析に基づいて,このような設定で最適戦略を学ぶための枠組みを考案する。
提案手法は,「より低い不確実性境界」と「キャリブド分散マッチング」の概念に基づき,参加者の期待した報酬を最大化するための効率的なアルゴリズムを提案する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
参加者は戦略的に競争を減らし、予想されるペイオフを増やすために低い不確実性のレベルを支持します。
分散市場の混雑を解消するシグナル伝達機構について検討し,シグナル伝達の効果が不均一であることを見いだし,参加者やマッチングステージへの依存を示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
遅延受理手順は、ステージ数に制限を課せず、効率と公平性を達成するが、一部の参加者はマルチステージマッチングよりも悪くなる可能性がある。
シミュレーションによる理論予測と大学進学時の実データを用いた実験の側面を示す。
関連論文リスト
- Fairness in Matching under Uncertainty [78.39459690570531]
アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。
我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。
そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
論文 参考訳(メタデータ) (2023-02-08T00:30:32Z) - Decentralized, Communication- and Coordination-free Learning in
Structured Matching Markets [2.9833943723592764]
両面マッチング市場における競争環境におけるオンライン学習の問題について検討する。
本稿では、エージェントが安定したマッチングに到達できるように、分散化、通信、調整不要なアルゴリズムのクラスを提案する。
論文 参考訳(メタデータ) (2022-06-06T04:08:04Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳(メタデータ) (2021-09-17T13:45:46Z) - Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。
私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
論文 参考訳(メタデータ) (2021-08-19T17:59:28Z) - Accounting for Model Uncertainty in Algorithmic Discrimination [16.654676310264705]
フェアネスアプローチは、モデルの不確実性に起因するエラーの均等化にのみ焦点をあてるべきである。
予測多重性とモデル不確実性の間に関係をもち、予測多重性からの手法がモデル不確実性に起因するエラーの特定に使用できると主張する。
論文 参考訳(メタデータ) (2021-05-10T10:34:12Z) - Learning Strategies in Decentralized Matching Markets under Uncertain
Preferences [91.3755431537592]
エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。
我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。
エージェントの期待した利益を最大化する最適な戦略を導出する。
論文 参考訳(メタデータ) (2020-10-29T03:08:22Z) - Accuracy and Fairness Trade-offs in Machine Learning: A Stochastic
Multi-Objective Approach [0.0]
機械学習を実生活の意思決定システムに適用すると、予測結果は機密性の高い属性を持つ人々に対して差別され、不公平になる可能性がある。
公正機械学習における一般的な戦略は、予測損失の最小化において、制約や罰則として公正さを含めることである。
本稿では,多目的最適化問題を定式化して公平性を扱うための新しい手法を提案する。
論文 参考訳(メタデータ) (2020-08-03T18:51:24Z)
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。