論文の概要: Bipartite Matchings with Group Fairness and Individual Fairness
Constraints
- arxiv url: http://arxiv.org/abs/2208.09951v2
- Date: Tue, 23 Aug 2022 08:37:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 10:40:26.069189
- Title: Bipartite Matchings with Group Fairness and Individual Fairness
Constraints
- Title(参考訳): グループフェアネスと個人フェアネス制約による両部マッチング
- Authors: Atasi Panda, Anand Louis, Prajakta Nibhorkar
- Abstract要約: プラットフォームにアイテムを割り当てるコンテキストにおいて、マッチングにおけるグループだけでなく、個々の公正性の制約にも対処する。
各項目は特定のグループに属し、プラットフォーム上での優先順序を持つ。
プラットフォームは、各グループから対応できるアイテムの数に上限と下限を指定することで、グループフェアネスを強制する。
- 参考スコア(独自算出の注目度): 2.910142232148077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address group as well as individual fairness constraints in matchings in
the context of assigning items to platforms. Each item belongs to certain
groups and has a preference ordering over platforms. Each platform enforces
group fairness by specifying an upper and a lower bound on the number of items
that can be matched to it from each group. There could be multiple optimal
solutions that satisfy the group fairness constraints. To achieve individual
fairness, we introduce `probabilistic individual fairness', where the goal is
to compute a distribution over `group fair' matchings such that every item has
a reasonable probability of being matched to a platform among its top choices.
In the case where each item belongs to exactly one group, we provide a
polynomial-time algorithm that computes a probabilistic individually fair
distribution over group fair matchings. When an item can belong to multiple
groups, and the group fairness constraints are specified as only upper bounds,
we rehash the same algorithm to achieve three different polynomial-time
approximation algorithms.
- Abstract(参考訳): プラットフォームにアイテムを割り当てるコンテキストにおいて、マッチングにおけるグループだけでなく、個々の公正性の制約にも対処する。
それぞれのアイテムは特定のグループに属し、プラットフォーム上の優先順序を持つ。
各プラットフォームは、各グループからマッチできるアイテムの数の上限と下限を指定することで、グループフェア性を強制する。
群フェアネス制約を満たす複数の最適解が存在するかもしれない。
個々の公平性を達成するために,「確率的個々公平性」を導入し,「グループフェア」マッチングの分布を計算し,各項目が最上位の選択の中でプラットフォームにマッチする合理的な確率を持つようにする。
各項目がちょうど1つのグループに属する場合、確率的に公平な分布を群フェアマッチング上で計算する多項式時間アルゴリズムを提供する。
アイテムが複数のグループに属し、グループフェアネス制約が上界のみとして指定される場合、同じアルゴリズムをリハッシュして3つの異なる多項式時間近似アルゴリズムを実現する。
関連論文リスト
- Fair Active Ranking from Pairwise Preferences [6.102498508368527]
解離群に属する$n$の項目が与えられたとき、我々のゴールは、我々が提案する公正な目的関数に従って$(epsilon, delta)$-PACF-Rankingを見つけることである。
グループブラインドとグループアウェアの両方のアルゴリズムを提示し,そのサンプルパラメータを解析する。
論文 参考訳(メタデータ) (2024-02-05T18:09:48Z) - Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。
xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。
提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
論文 参考訳(メタデータ) (2023-07-27T07:42:44Z) - Beyond Submodularity: A Unified Framework of Randomized Set Selection
with Group Fairness Constraints [19.29174615532181]
グループフェアネス制約を組み込んだランダム化サブセット選択のための統一フレームワークを提案する。
我々の問題には、グローバルなユーティリティ関数と、各グループに対するグループユーティリティ関数のセットが含まれる。
我々の目的は、各実現可能な集合の選択確率を指定して、実現可能な部分集合にまたがる分布を生成することである。
論文 参考訳(メタデータ) (2023-04-13T15:02:37Z) - Fair and skill-diverse student group formation via constrained k-way
graph partitioning [65.29889537564455]
本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。
学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。
この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
論文 参考訳(メタデータ) (2023-01-12T14:02:49Z) - Enforcing Group Fairness in Algorithmic Decision Making: Utility
Maximization Under Sufficiency [0.0]
本稿では,PPVパリティ,偽脱落率(FOR)パリティ(False Omission rate)パリティ(FOR)パリティ(False Omission rate)パリティ(FOR)パリティ(False Omission rate)パリティ(FOR)パリティ(FOR)パリティ(Sufficiency)について述べる。
グループ固有のしきい値規則はPPVパリティとForパリティに最適であることを示す。
また,フェアネス制約を満たす最適決定規則の解も提供する。
論文 参考訳(メタデータ) (2022-06-05T18:47:34Z) - Fair Labeled Clustering [28.297893914525517]
クラスタリングのダウンストリーム適用と,そのような設定に対してグループフェアネスをどのように確保するかを検討する。
このような問題に対するアルゴリズムを提供し、グループフェアクラスタリングにおけるNPハードのアルゴリズムとは対照的に、効率的な解が可能であることを示す。
また、距離空間における中心位置に関係なく、意思決定者が自由にクラスタにラベルを割り当てることができるような、モチベーションのよい代替設定についても検討する。
論文 参考訳(メタデータ) (2022-05-28T07:07:12Z) - Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。
提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文 参考訳(メタデータ) (2022-01-17T10:49:49Z) - Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。
グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
論文 参考訳(メタデータ) (2021-10-06T09:47:41Z) - Fuzzy Clustering with Similarity Queries [56.96625809888241]
ファジィ(fuzzy, soft objective)は、よく知られた$k$-means問題の一般化である。
クエリを少なくすることで、問題の解決が容易になる。
論文 参考訳(メタデータ) (2021-06-04T02:32:26Z) - Fair for All: Best-effort Fairness Guarantees for Classification [11.818794470895837]
群に基づくフェアネスの概念は、既知の群全体のパフォーマンスの絶対測度を等化しようとする。
我々は、クラス $mathcalg$ における各グループ $g$ の保証は、$g$ の最高の分類器のパフォーマンスと関係しているという概念を提案する。
私たちはアルゴリズムを現実世界のデータセットでテストし、パフォーマンスに関する興味深い比較洞察を提供します。
論文 参考訳(メタデータ) (2020-12-18T13:22:14Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2019-10-14T09:18:26Z)
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。