論文の概要: Two-Sided Matching Meets Fair Division
- arxiv url: http://arxiv.org/abs/2107.07404v1
- Date: Thu, 15 Jul 2021 15:45:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 13:55:53.483510
- Title: Two-Sided Matching Meets Fair Division
- Title(参考訳): 2面マッチングがフェアディビジョンに
- Authors: Rupert Freeman, Evi Micha and Nisarg Shah
- Abstract要約: 両面マッチングの新しいモデルを導入し、フェアディビジョンの文献から人気のあるフェアネスの概念を借用する。
我々のモデルでは、各エージェントは、付加的な嗜好を持つ相手側の複数のエージェントにマッチする。
両面の公平さを別々に要求し、一試合(DEF1)と二試合(DMMS)という概念を生み出した。
- 参考スコア(独自算出の注目度): 35.674275834421195
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce a new model for two-sided matching which allows us to borrow
popular fairness notions from the fair division literature such as
envy-freeness up to one good and maximin share guarantee. In our model, each
agent is matched to multiple agents on the other side over whom she has
additive preferences. We demand fairness for each side separately, giving rise
to notions such as double envy-freeness up to one match (DEF1) and double
maximin share guarantee (DMMS). We show that (a slight strengthening of) DEF1
cannot always be achieved, but in the special case where both sides have
identical preferences, the round-robin algorithm with a carefully designed
agent ordering achieves it. In contrast, DMMS cannot be achieved even when both
sides have identical preferences.
- Abstract(参考訳): 両面マッチングのための新しいモデルを導入し,一方の良否保証や最大共有保証など,フェアディビジョンの文献からポピュラーなフェアネス概念を借用する。
我々のモデルでは、各エージェントは、付加的な嗜好を持つ相手側の複数のエージェントにマッチする。
両面の公平性を別々に要求し、1試合(DEF1)とDMMS(Double maximin Share guarantee)という2つのエンビーフリーの概念を生み出した。
我々は,Def1を(わずかに強化する)常に達成できないことを示すが,両面が同一の選好を持つ特別な場合には,慎重に設計したエージェントを順序付けしたラウンドロビンアルゴリズムがそれを実現する。
対照的にDMMSは、双方が同じ好みを持つ場合でも達成できない。
関連論文リスト
- Simultaneously Achieving Group Exposure Fairness and Within-Group
Meritocracy in Stochastic Bandits [9.61116193836159]
2段階の公平性を考慮した両レベル公正性を提案する。
最初のレベルでは、バイレベルフェアネスは各グループへの特定の最小露出を保証する。
第2のレベルでは、各アームがグループ内のメリットに応じて引き出されることを保証する、第2のレベルでの功利主義的公正性を考える。
論文 参考訳(メタデータ) (2024-02-08T11:19:58Z) - A Minimaximalist Approach to Reinforcement Learning from Human Feedback [53.05529717075474]
人間のフィードバックから強化学習を行うアルゴリズムとして,SPO(Self-Play Preference Optimization)を提案する。
我々のアプローチは、報酬モデルや不安定な敵の訓練を必要としないという点で最小主義である。
一連の継続的制御タスクにおいて、報酬ベースのアプローチよりもはるかに効率的に学習できることを実証します。
論文 参考訳(メタデータ) (2024-01-08T17:55:02Z) - First-Choice Maximality Meets Ex-ante and Ex-post Fairness [33.992491196317744]
我々は、第一選択(FCM)を満たすランダム化機構、すなわち、第一選択を割り当てるエージェントの数を最大化する機構を設計する。
我々のメカニズムは、元アンティーと元ポストフェアネスの保証も提供する。
論文 参考訳(メタデータ) (2023-05-08T09:57:30Z) - Equalised Odds is not Equal Individual Odds: Post-processing for Group
and Individual Fairness [17.10444992448949]
グループフェアネスは、保護されたサブ人口間の予測分布を等化することによって達成される。
個々人の公平さには 同じような扱いが必要です
この手順は、異なる分類の確率を持つ同じ保護グループの2つの類似した個人を与えることができる。
論文 参考訳(メタデータ) (2023-04-19T16:02:00Z) - 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) - Proportional Fair Division of Multi-layered Cakes [0.0]
連続性や実現可能性の制約を満たす選好数を持つ任意のエージェントに対して、比例的マルチアロケーションが存在することを示す。
2種類の嗜好を持つ3つのエージェントに対して、実現可能性と整合性の制約を満たす、うらやましい自由なマルチアロケーションが常に得られます。
論文 参考訳(メタデータ) (2022-08-01T10:22:48Z) - Consistency Regularization for Deep Face Anti-Spoofing [69.70647782777051]
顔認証システムでは、顔認証(FAS)が重要な役割を担っている。
このエキサイティングな観察によって、異なる視点の特徴整合性を促進することが、FASモデルを促進するための有望な方法かもしれないと推測する。
FASにおけるEPCR(Embeddding-level and Prediction-level Consistency Regularization)とEPCR(Embeddding-level Consistency Regularization)を併用した。
論文 参考訳(メタデータ) (2021-11-24T08:03:48Z) - Favoring Eagerness for Remaining Items: Achieving Efficient and Fair
Assignments [34.62857280111384]
より高位を好むために、微妙に異なる概念に基づいて、効率の新たな特性を提案する。
具体的には,前投稿前投稿前投稿前投稿後投稿後投稿後投稿前投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿前投稿後投稿後投稿前投稿前投稿前投稿前投稿前投稿前投稿後投稿後投稿前投稿前投稿前投稿前投稿前投稿後投稿後投稿前投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後表示後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿後投稿
論文 参考訳(メタデータ) (2021-09-18T07:00:04Z) - Bandit Learning in Decentralized Matching Markets [82.39061186055775]
私たちは、一方の市場(プレーヤー)が他方の側(腕)の好みについて事前知識を持っていない両面マッチング市場を研究し、経験からその好みを学ぶ必要があります。
このモデルは、標準のマルチアームバンディットフレームワークを競合する分散型マルチプレイヤー設定に拡張します。
アームの選好が共有されるたびにアルゴリズムがインセンティブ互換であることが示されるが、選好が完全に一般的である場合には必ずしもそうではない。
論文 参考訳(メタデータ) (2020-12-14T08:58:07Z) - Necessarily Optimal One-Sided Matchings [49.0517583218216]
我々は、$n$エージェントと$n$オブジェクトとをマッチングする古典的な問題について研究する。
エージェントに完全な選好を報告させる代わりに、私たちのゴールは部分的な選好から望ましいマッチングを学ぶことです。
我々は,与えられたマッチングが NPO か NRM かを確認し,そのようなマッチングが与えられたトップ$k$ の部分的選好が存在するかどうかを確認するために,効率的なアルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-07-17T16:01:34Z)
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。