論文の概要: Data-Driven Methods for Balancing Fairness and Efficiency in Ride-Pooling

• arxiv url: http://arxiv.org/abs/2110.03524v1
• Date: Thu, 7 Oct 2021 14:53:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 22:19:45.875213
• Title: Data-Driven Methods for Balancing Fairness and Efficiency in Ride-Pooling
• Title（参考訳）: ライドプールにおける公平性と効率のバランスをとるデータ駆動手法
• Authors: Naveen Raman, Sanket Shah, John Dickerson
• Abstract要約: 配車プラットフォームにおける不平等を低減させる2つの方法について検討する。 まず,運転者側フェアネスの最適化は,利用者数で最先端のモデルよりも優れていることがわかった。 第二に、収入の再分配を、ドライバーに収入の$r$を抑え、残りを再分配プールに寄付することで、所得不平等と戦う方法として検討する。
• 参考スコア（独自算出の注目度）: 10.613763106603272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rideshare and ride-pooling platforms use artificial intelligence-based matching algorithms to pair riders and drivers. However, these platforms can induce inequality either through an unequal income distribution or disparate treatment of riders. We investigate two methods to reduce forms of inequality in ride-pooling platforms: (1) incorporating fairness constraints into the objective function and (2) redistributing income to drivers to reduce income fluctuation and inequality. To evaluate our solutions, we use the New York City taxi data set. For the first method, we find that optimizing for driver-side fairness outperforms state-of-the-art models on the number of riders serviced, both in the worst-off neighborhood and overall, showing that optimizing for fairness can assist profitability in certain circumstances. For the second method, we explore income redistribution as a way to combat income inequality by having drivers keep an $r$ fraction of their income, and contributing the rest to a redistribution pool. For certain values of $r$, most drivers earn near their Shapley value, while still incentivizing drivers to maximize value, thereby avoiding the free-rider problem and reducing income variability. The first method can be extended to many definitions of fairness and the second method provably improves fairness without affecting profitability.
• Abstract（参考訳）: ライドシェアと相乗りプラットフォームは、人工知能ベースのマッチングアルゴリズムを使用して、ライダーとドライバーをペアリングする。 しかし、これらのプラットフォームは不平等を、不平等な収入分布またはライダーの異質な扱いを通じて引き起こすことができる。 配車プラットフォームにおける不平等の形式を減少させる2つの方法として,(1)目的機能に公平性制約を組み込むこと,(2)ドライバーに所得を再分配することによる収入変動と不平等の低減について検討する。 ソリューションを評価するために、ニューヨーク市のタクシーデータセットを使用します。 第1の方法として,運転者側フェアネスの最適化は,運転者数と運転者数の両方において,運転者側フェアネスの最適化により,運転者側フェアネスの最適化により,一定の状況下での収益性向上が期待できることを示す。 第2の方法は、ドライバーにr$の収入を確保させ、残りを再分配プールに寄与させることで、所得格差と闘う方法として所得再分配を検討することである。 ある種の$r$の場合、ほとんどのドライバーはShapleyの値に近い収入を得るが、それでもドライバーに価値を最大化させるインセンティブを与える。 第1の方法は公平性の多くの定義に拡張することができ、第2の方法は利益性に影響を与えることなく公平性を向上させる。

関連論文リスト

• Towards Harmless Rawlsian Fairness Regardless of Demographic Prior [57.30787578956235]
  トレーニングセットに事前の人口統計が提供されない場合に,有効性を損なうことなく公平性を達成する可能性を探る。 本稿では,経験的損失の最適セット内でのトレーニング損失の分散を最小限に抑えるため,VFairという簡単な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T12:40:34Z)
• Fairness-Enhancing Vehicle Rebalancing in the Ride-hailing System [7.531863938542706]
  配車産業の急速な成長は、世界中の都市交通に革命をもたらした。 その利益にもかかわらず、保存されていない地域社会が手頃な価格の配車サービスへのアクセシビリティに制限されているため、株式の懸念が生じる。 本稿では,新しい車両再バランス手法により,アルゴリズムとライダーの公正性を両立することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-29T23:02:34Z)
• Mutual Information as Intrinsic Reward of Reinforcement Learning Agents for On-demand Ride Pooling [19.247162142334076]
  オンデマンドの車両プールサービスにより、各車両は一度に複数の乗客にサービスを提供することができる。 既存のアルゴリズムでは、収益のみを考慮する場合が多いため、異常な配信要求を抱える場合、乗車が困難になる。 本稿では,都市を個別の配車に分割した配車作業のための配車フレームワークを提案し,これらの地域での配車に強化学習(RL)アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-12-23T08:34:52Z)
• Using Simple Incentives to Improve Two-Sided Fairness in Ridesharing Systems [27.34946988130242]
  我々は、このILPの定式化の一環として、オンラインで実装できるシンプルなインセンティブに基づくフェアネススキームを提案する。 乗客グループとドライバーフェアネスの2つの異なるユースケースに対して、これらのフェアネスインセンティブをどのように定式化できるかを示す。
  論文  参考訳（メタデータ） (2023-03-25T02:24:27Z)
• 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)
• 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)
• Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
  逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。 本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
  論文  参考訳（メタデータ） (2022-03-12T02:22:58Z)
• Efficiency, Fairness, and Stability in Non-Commercial Peer-to-Peer Ridesharing [84.47891614815325]
  本稿は、P2Pライドシェアリングにおける中核的な問題である、ライダーとドライバーのマッチングに焦点を当てる。 P2Pライドシェアリングにおける公平性と安定性の新たな概念を紹介する。 結果は、妥当な計算時間で、公平で安定した解が得られることを示唆している。
  論文  参考訳（メタデータ） (2021-10-04T02:14:49Z)
• Learning to be Fair: A Consequentialist Approach to Equitable Decision-Making [21.152377319502705]
  等価なアルゴリズムを設計するための代替フレームワークを提案する。 このアプローチでは、まず第一に、決定の可能な空間よりも利害関係者の選好を導きます。 次に、決定ポリシーの空間を最適化し、提案されたユーティリティを最大化する方法でトレードオフを行います。
  論文  参考訳（メタデータ） (2021-09-18T00:30:43Z)
• Trading the System Efficiency for the Income Equality of Drivers in Rideshare [23.53645438932742]
  ライダーの差別的キャンセルによる配車ドライバー間の所得格差を調査します。 事前に知られた流通に続いて、ライダーが順次到着すると想定されるオンライン二元マッチングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-12T16:04:06Z)

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。