論文の概要: Fairness Maximization among Offline Agents in Online-Matching Markets
- arxiv url: http://arxiv.org/abs/2109.08934v1
- Date: Sat, 18 Sep 2021 13:41:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 13:36:07.934663
- Title: Fairness Maximization among Offline Agents in Online-Matching Markets
- Title（参考訳）: オンラインマッチング市場におけるオフラインエージェントの公正化
- Authors: Will Ma, Pan Xu, and Yifan Xu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.689388188794023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Matching markets involve heterogeneous agents (typically from two parties)
who are paired for mutual benefit. During the last decade, matching markets
have emerged and grown rapidly through the medium of the Internet. They have
evolved into a new format, called Online Matching Markets (OMMs), with examples
ranging from crowdsourcing to online recommendations to ridesharing. There are
two features distinguishing OMMs from traditional matching markets. One is the
dynamic arrival of one side of the market: we refer to these as online agents
while the rest are offline agents. Examples of online and offline agents
include keywords (online) and sponsors (offline) in Google Advertising; workers
(online) and tasks (offline) in Amazon Mechanical Turk (AMT); riders (online)
and drivers (offline when restricted to a short time window) in ridesharing.
The second distinguishing feature of OMMs is the real-time decision-making
element. However, studies have shown that the algorithms making decisions in
these OMMs leave disparities in the match rates of offline agents. For example,
tasks in neighborhoods of low socioeconomic status rarely get matched to gig
workers, and drivers of certain races/genders get discriminated against in
matchmaking. In this paper, we propose online matching algorithms which
optimize for either individual or group-level fairness among offline agents in
OMMs. We present two linear-programming (LP) based sampling algorithms, which
achieve online competitive ratios at least 0.725 for individual fairness
maximization (IFM) and 0.719 for group fairness maximization (GFM),
respectively. We conduct extensive numerical experiments and results show that
our boosted version of sampling algorithms are not only conceptually easy to
implement but also highly effective in practical instances of
fairness-maximization-related models.
- Abstract（参考訳）: 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。
過去10年間で、マッチング市場はインターネットのメディアを通じて急速に成長してきた。
それらは、クラウドソーシングからオンラインレコメンデーション、ライドシェアリングまで幅広い例を含む、オンラインマッチングマーケット(omms)と呼ばれる新しいフォーマットへと進化した。
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。
ひとつは、市場の片側がダイナミックに到着することです。これらをオンラインエージェントと呼び、残りはオフラインエージェントと呼んでいます。
オンラインおよびオフラインエージェントの例としては、Google Advertisingのキーワード(オンライン)とスポンサー(オフライン)、Amazon Mechanical Turk(AMT)のワーカー(オンライン)とタスク(オフライン)、ライドシェアリングにおけるライダー(オンライン)とドライバー(短時間のウィンドウに制限された場合のオフライン)がある。
OMMの2つ目の特徴はリアルタイム意思決定要素である。
しかし、これらのOMMで決定を下すアルゴリズムは、オフラインエージェントの一致率に相違があることが研究によって示されている。
例えば、社会経済的地位の低い地域のタスクはギグワーカーとほとんど一致せず、特定の人種や性別のドライバーはマッチメイキングにおいて差別される。
本稿では,OMMにおけるオフラインエージェント間の個人レベルの公平度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。
本稿では,各グループフェアネス最大化(IFM)に対して少なくとも0.725、グループフェアネス最大化(GFM)に対して0.719のオンライン競争率を達成する2つの線形プログラミング(LP)に基づくサンプリングアルゴリズムを提案する。
より広範な数値実験を行い,提案アルゴリズムの強化版は,概念的に実装が容易であるだけでなく,フェアネス・最大化関連モデルの実用事例にも有効であることを示した。
関連論文リスト
- Understanding the performance gap between online and offline alignment algorithms [63.137832242488926]
オフラインのアルゴリズムは、ペアの分類が得意になるようにポリシーを訓練し、オンラインのアルゴリズムは世代ごとに良いことを示しています。
このことは、識別能力と生成能力の間のユニークな相互作用を示唆しており、これはサンプリングプロセスに大きく影響している。
我々の研究は、AIアライメントにおけるオンラインサンプリングの重要な役割に光を当て、オフラインアライメントアルゴリズムのある種の根本的な課題を示唆している。
論文 参考訳（メタデータ） (2024-05-14T09:12:30Z) - AlberDICE: Addressing Out-Of-Distribution Joint Actions in Offline
Multi-Agent RL via Alternating Stationary Distribution Correction Estimation [65.4532392602682]
オフライン強化学習(RL)の主な課題の1つは、データ収集ポリシーから逸脱した学習ポリシーから生じる分散シフトである。
これはしばしば、政策改善中のアウト・オブ・ディストリビューション(OOD)アクションを避けることで対処される。
本稿では,定常分布最適化に基づく個別エージェントの集中学習を行うオフラインMARLアルゴリズムAlberDICEを紹介する。
論文 参考訳（メタデータ） (2023-11-03T18:56:48Z) - Learning for Edge-Weighted Online Bipartite Matching with Robustness
Guarantees [28.737193318136725]
我々は,ロバストネス保証 (LOMAR) を用いたエッジ重み付きオンラインバイパートイトマッチングの新しい手法を提案する。
LOMARは、平均ケースと最悪のケースのパフォーマンスの両方を達成する。
論文 参考訳（メタデータ） (2023-05-31T20:41:42Z) - Preventing Discriminatory Decision-making in Evolving Data Streams [8.952662914331901]
機械学習のバイアスは、ここ10年で明らかに注目を集めている。
意思決定システムのバイアスに対処する最も公正な機械学習(fair-ML)は、オフライン設定のみに焦点を当てている。
オンラインシステムが現実世界で広く普及しているにもかかわらず、オンライン設定におけるバイアスを特定し修正する作業は極めて不十分である。
論文 参考訳（メタデータ） (2023-02-16T01:20:08Z) - Learning From Good Trajectories in Offline Multi-Agent Reinforcement
Learning [98.07495732562654]
オフラインマルチエージェント強化学習(MARL)は、事前コンパイルされたデータセットから効果的なマルチエージェントポリシーを学ぶことを目的としている。
オフラインのMARLが学んだエージェントは、しばしばこのランダムなポリシーを継承し、チーム全体のパフォーマンスを脅かす。
この問題に対処するために,共有個人軌道(SIT)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-28T18:11:26Z) - 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) - A Competitive Analysis of Online Multi-Agent Path Finding [6.172744281261983]
オンラインマルチエージェントパス探索(MAPF)について検討し、新しいエージェントが常に時間とともに明らかにされ、すべてのエージェントが与えられた目標地点への衝突のないパスを見つけなければならない。
我々は,オンラインMAPFアルゴリズムを,(1)制御可能性(各時間に経路を計画できるエージェントの集合)と(2)合理性(計画する経路の質)に基づいて,異なるカテゴリに分類し,それらの関係について検討する。
論文 参考訳（メタデータ） (2021-06-22T00:05:29Z) - A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in
Online Advertising [53.636153252400945]
本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。
当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
論文 参考訳（メタデータ） (2021-06-11T08:07:14Z) - Subgroup Fairness in Two-Sided Markets [7.854010769859225]
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。
論文 参考訳（メタデータ） (2021-06-04T20:26:16Z) - 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) - Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online
Algorithms [85.97516436641533]
機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。
目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。
機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
論文 参考訳（メタデータ） (2020-10-22T04:51:01Z)
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。