論文の概要: Subgroup Fairness in Two-Sided Markets
- arxiv url: http://arxiv.org/abs/2106.02702v1
- Date: Fri, 4 Jun 2021 20:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:20:18.337095
- Title: Subgroup Fairness in Two-Sided Markets
- Title（参考訳）: 両サイドマーケットにおけるサブグループフェアネス
- Authors: Quan Zhou and Jakub Marecek and Robert N. Shorten
- Abstract要約: 両面市場における新たな市場浄化機構を提案する。
ある種の非線形問題は、時間内に任意の部分群に近似できることを示す。
Uberのようなシステムにおけるドライバサイドの割り当ての例では、このアプローチの有効性とスケーラビリティを実演する。
- 参考スコア（独自算出の注目度）: 7.854010769859225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is well known that two-sided markets are unfair in a number of ways. For
instance, female workers at Uber earn less than their male colleagues per mile
driven. Similar observations have been made for other minority subgroups in
other two-sided markets. Here, we suggest a novel market-clearing mechanism for
two-sided markets, which promotes equalisation of the pay per hour worked
across multiple subgroups, as well as within each subgroup. In the process, we
introduce a novel notion of subgroup fairness (which we call Inter-fairness),
which can be combined with other notions of fairness within each subgroup
(called Intra-fairness), and the utility for the customers (Customer-Care) in
the objective of the market-clearing problem. While the novel non-linear terms
in the objective complicate market clearing by making the problem non-convex,
we show that a certain non-convex augmented Lagrangian relaxation can be
approximated to any precision in time polynomial in the number of market
participants using semi-definite programming. This makes it possible to
implement the market-clearing mechanism efficiently. On the example of
driver-ride assignment in an Uber-like system, we demonstrate the efficacy and
scalability of the approach, and trade-offs between Inter- and Intra-fairness.
- Abstract（参考訳）: 両面の市場は様々な点で不公平であることはよく知られている。
例えば、uberの女性労働者は1マイルあたりの男性従業員よりも収入が少ない。
他の2つの市場における他のマイノリティサブグループについても同様の観測がなされている。
ここでは,複数のサブグループおよび各サブグループ間での1時間当たりの報酬の均等化を促進する,双方向市場のための新たなマーケットクリアリングメカニズムを提案する。
この過程では、各サブグループ内のフェアネスの概念(イントラフェアネスと呼ばれる)と、マーケットクリアリング問題のために顧客(カスタマーケア)の効用を組み合わせることができるサブグループフェアネスという新しい概念(インターフェアネス(inter-fairness)と呼ぶ)を導入する。
対象とする新たな非線形項は,問題を非凸にすることで市場クリアリングを複雑化するが,非凸拡張ラグランジアン緩和は,半定値計画を用いた市場参加者数における時間多項式の任意の精度に近似できることを示す。
これにより、市場浄化機構を効率的に実装することができる。
uberライクなシステムにおけるドライバーライドの割り当ての例では、アプローチの有効性とスケーラビリティ、およびfairnessとinter-to-fairnessのトレードオフを示します。
関連論文リスト
- 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) - Increasing Fairness via Combination with Learning Guarantees [8.314000998551865]
個人と集団の公平性の両方を反映する差別的リスクという,公正性の品質指標を提案する。
また,一階と二階のオラクル境界を提案し,理論学習保証とアンサンブルの組み合わせにより公平性を高めることができることを示した。
論文 参考訳（メタデータ） (2023-01-25T20:31:06Z) - Parity in Markets -- Methods, Costs, and Consequences [109.5267969644294]
我々は、市場デザイナーがフィッシャー市場の税や補助金を使って、市場均衡の結果が一定の制約内に収まることを確実にする方法を示します。
我々は、既存の文献で提案されている様々な公正性制約を市場ケースに適用し、その制約から誰が利益を得るか、誰を失うかを示す。
論文 参考訳（メタデータ） (2022-10-05T22:27:44Z) - Competition, Alignment, and Equilibria in Digital Marketplaces [97.03797129675951]
プラットフォームアクションがバンディットアルゴリズムであり,両プラットフォームがユーザ参加を競うデュオポリー市場について検討する。
私たちの主な発見は、この市場における競争は、市場の結果をユーザーユーティリティと完全に一致させるものではないということです。
論文 参考訳（メタデータ） (2022-08-30T17:43:58Z) - 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) - Rawlsian Fairness in Online Bipartite Matching: Two-sided, Group, and
Individual [25.391491567929336]
オンラインの双方向マッチングプラットフォームはユビキタスであり、クラウドソーシングやライドシェアリングといった重要な分野のアプリケーションを見つける。
本稿では,既存業務を一般化し,市場双方に公平な待遇保証を同時に提供する。
我々のアルゴリズムには理論的保証があり、三辺のユーティリティ間のトレードオフのバランスをとるために調整可能なパラメータがある。
論文 参考訳（メタデータ） (2022-01-16T11:25:17Z) - Fairness Maximization among Offline Agents in Online-Matching Markets [18.689388188794023]
マッチングマーケットには、相互利益のためにペアを組む異種エージェント(典型的には2つのパーティから)が含まれる。
OMMと従来のマッチング市場を区別する2つの特徴がある。
個人レベルのフェアネスとグループレベルのフェアネスを最適化するオンラインマッチングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-18T13:41:42Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors [91.3755431537592]
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。
論文 参考訳（メタデータ） (2021-02-13T19:25:52Z) - Characterizing Intersectional Group Fairness with Worst-Case Comparisons [0.0]
我々は、公平度指標が交差性のレンズの下で検討される必要がある理由について議論する。
既存のグループ公平度指標の定義を拡張するための単純な最悪のケース比較方法を提案する。
現代の文脈における交差点の公平性を扱うための社会的、法的、政治的枠組みで締めくくります。
論文 参考訳（メタデータ） (2021-01-05T17:44:33Z)
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。