論文の概要: Earning Sans Learning: Noisy Decision-Making and Labor Supply on Gig
Economy Platforms
- arxiv url: http://arxiv.org/abs/2111.00002v1
- Date: Thu, 28 Oct 2021 04:13:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 18:00:25.643411
- Title: Earning Sans Learning: Noisy Decision-Making and Labor Supply on Gig
Economy Platforms
- Title(参考訳): sans学習の獲得--ギグエコノミープラットフォームにおける騒がしい意思決定と労働供給
- Authors: Daniel Freund and Chamsi Hssaine
- Abstract要約: ギグエコノミー・プラットフォームの課題は、参加決定を限られた情報に基づける労働者に対して、収益に関して最適な補償策を見出すことである。
経験的文献とデータ駆動による観察の両方が、ギグエコノミーのプラットフォームで普及している可能性があることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a gig economy platform's problem of finding optimal compensation
schemes when faced with workers who myopically base their participation
decisions on limited information with respect to their earnings. The stylized
model we consider captures two key, related features absent from prior work on
the operations of on-demand service platforms: (i) workers' lack of information
regarding the distribution from which their earnings are drawn and (ii) worker
decisions that are sensitive to variability in earnings. Despite its stylized
nature, our model induces a complex stochastic optimization problem whose
natural fluid relaxation is also a priori intractable. Nevertheless, we uncover
a surprising structural property of the relaxation that allows us to design a
tractable, fast-converging heuristic policy that is asymptotically optimal
amongst the space of all policies that fulfill a fairness property. In doing
so, via both theory and extensive simulations, we uncover phenomena that may
arise when earnings are volatile and hard to predict, as both the empirical
literature and our own data-driven observations suggest may be prevalent on gig
economy platforms.
- Abstract(参考訳): ギグエコノミー・プラットフォームにおける、収益に関する限られた情報に基づいて参加決定を下す労働者に対して、最適な報酬スキームを求める問題について検討する。
私たちが考えるスタイル化されたモデルは、オンデマンドサービスプラットフォームの運用に関する以前の作業から欠落している2つの重要な、関連する特徴をキャプチャする。
(i)収益の引出先に関する情報の不足、及び
(二)収益の変動に敏感な労働者の決定
その構造的性質にもかかわらず, 本モデルは, 自然流体の緩和が優先的かつ難解な複雑な確率的最適化問題を引き起こす。
それにもかかわらず、公平性特性を満たすすべてのポリシーの空間において漸近的に最適である、扱いやすい、高速に収束するヒューリスティックなポリシーを設計することができる緩和の驚くべき構造的性質を明らかにする。
そうすることで、理論と広範なシミュレーションの両方を通じて、ギグエコノミーのプラットフォームで、経験的文献とデータ駆動型観測の両方が普及している可能性を示唆するので、収益が不安定で予測が難しい場合に生じる現象を明らかにすることができる。
関連論文リスト
- Learning Optimal and Fair Policies for Online Allocation of Scarce
Societal Resources from Data Collected in Deployment [5.0904557821667]
当社は、予算制約を満たしつつ、期待される成果を最大化するオンラインポリシーを設計するために、デプロイメントで収集された管理データを使用します。
当社の政策は,ホームレスからの退去率を1.9%向上させ,人種ごとの配分や結果に公平な政策は,フェアネスの非常に低い価格で得られることを示す。
論文 参考訳(メタデータ) (2023-11-23T01:40:41Z) - Delegated Classification [21.384062337682185]
機械学習タスクのインセンティブ対応デリゲーションに関する理論的枠組みを提案する。
予算最適契約を定義し、合理的な仮定の下で単純なしきい値を取ることを証明します。
実証的に、我々は予算最適契約を小規模データを用いて構築できることを実証した。
論文 参考訳(メタデータ) (2023-06-20T11:59:03Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳(メタデータ) (2023-02-22T14:50:24Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳(メタデータ) (2023-02-15T04:14:20Z) - Building a Foundation for Data-Driven, Interpretable, and Robust Policy
Design using the AI Economist [67.08543240320756]
AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。
RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
論文 参考訳(メタデータ) (2021-08-06T01:30:41Z) - Aggregate Learning for Mixed Frequency Data [0.0]
本研究では,小規模地域の経済指標をリアルタイムに予測する混合時間集合学習モデルを提案する。
提案モデルでは, 労働市場状態の地域的不均一性を予測し, 急速に変化する経済状況を予測する。
このモデルは様々なタスク、特に経済分析に適用できる。
論文 参考訳(メタデータ) (2021-05-20T08:12:43Z) - Towards Robust and Reliable Algorithmic Recourse [11.887537452826624]
モデルシフトに堅牢なリコースを見つけるための敵対的トレーニングを活用する新しいフレームワークであるRObust Algorithmic Recourse(ROAR)を提案します。
また,モデルシフトにロバストなリコースの構築の重要性を強調する詳細な理論解析を行う。
論文 参考訳(メタデータ) (2021-02-26T17:38:52Z) - Outside the Echo Chamber: Optimizing the Performative Risk [21.62040119228266]
本研究では,損失関数の性質の自然集合と,その実行リスクが凸となるモデル誘起分布シフトを同定する。
導関数のない凸最適化の一般的な方法よりも優れたサンプル効率で性能リスクを最適化するために,構造的仮定を活用するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-02-17T04:36:39Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳(メタデータ) (2020-11-25T00:13:11Z) - Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。
本稿では,理論的観点から,そのような手法の性能について考察する。
交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文 参考訳(メタデータ) (2020-11-03T15:33:10Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳(メタデータ) (2020-03-06T06:28:17Z)
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。