論文の概要: Modeling Access Differences to Reduce Disparity in Resource Allocation
- arxiv url: http://arxiv.org/abs/2402.00083v1
- Date: Wed, 31 Jan 2024 05:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 17:49:04.328807
- Title: Modeling Access Differences to Reduce Disparity in Resource Allocation
- Title（参考訳）: 資源配分の格差低減のためのアクセス差のモデル化
- Authors: Kenya Andrews and Mesrob Ohannessian and Tanya Berger-Wolf
- Abstract要約: 我々は,資源割り当ての問題に固有のアクセス差があり,その利点とデメリットが相関している場合を定式化し,研究する。
本研究では,与えられたアロケーションが,有利なリソースフローと不利なリソースフローにどのように変換されるかの定量化を支援する,具体的なアクセスモデルを開発する。
アクセスアウェアアロケーションは資源格差を大幅に減らし、ダウンストリームの結果を改善することができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by COVID-19 vaccine allocation, where vulnerable subpopulations are
simultaneously more impacted in terms of health and more disadvantaged in terms
of access to the vaccine, we formalize and study the problem of resource
allocation when there are inherent access differences that correlate with
advantage and disadvantage. We identify reducing resource disparity as a key
goal in this context and show its role as a proxy to more nuanced downstream
impacts. We develop a concrete access model that helps quantify how a given
allocation translates to resource flow for the advantaged vs. the
disadvantaged, based on the access gap between them. We then provide a
methodology for access-aware allocation. Intuitively, the resulting allocation
leverages more vaccines in locations with higher vulnerable populations to
mitigate the access gap and reduce overall disparity. Surprisingly, knowledge
of the access gap is often not needed to perform access-aware allocation. To
support this formalism, we provide empirical evidence for our access model and
show that access-aware allocation can significantly reduce resource disparity
and thus improve downstream outcomes. We demonstrate this at various scales,
including at county, state, national, and global levels.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)ワクチンの割り当てにより、脆弱なサブポピュレーションが健康の面で同時に影響され、ワクチンへのアクセスに関してより不利な状態にある場合、我々は、アドバンテージとデメリットと相関する固有のアクセス差がある場合に、リソース割り当ての問題を形式化し、研究する。
この文脈において、リソース格差の低減が重要な目標であると認識し、より微妙な下流への影響のプロキシとしての役割を示す。
本研究では,その間のアクセスギャップに基づいて,与えられたアロケーションが有利なリソースフローにどのように変換されるかの定量化を支援する具体的なアクセスモデルを開発する。
次に、アクセスアウェアアロケーションの方法論を提供します。
直感的には、結果として生じる割り当ては、より脆弱な人口の多い場所でより多くのワクチンを活用し、アクセスギャップを緩和し、全体的な格差を減らす。
驚いたことに、アクセス・アウェア・アロケーションの実行にはアクセスギャップに関する知識は必要ないことが多い。
この形式化を支援するために,アクセスモデルに対する実証的な証拠を提供し,アクセス対応アロケーションが資源格差を著しく低減し,下流結果を改善することを示す。
我々は、郡、州、全国、グローバルレベルを含む様々な規模でこれを実証する。
関連論文リスト
- Resource-constrained Fairness [6.5549655910531195]
本研究は「資源制約公正」の概念を導入し、この枠組みにおける公正のコストを定量化する。
利用可能な資源のレベルがこのコストに大きく影響することを示し、これは以前の評価で見落とされた要素である。
論文 参考訳（メタデータ） (2024-06-03T13:01:09Z) - Multiply Robust Federated Estimation of Targeted Average Treatment
Effects [0.0]
多地点データを用いて,対象個体群に対する有効な因果推論を導出する手法を提案する。
提案手法では,移動学習を組み込んでアンサンブル重みを推定し,ソースサイトからの情報を組み合わせる。
論文 参考訳（メタデータ） (2023-09-22T03:15:08Z) - Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。
医療資源割り当てプロトコルの普遍的な標準は存在しない。
本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
論文 参考訳（メタデータ） (2023-09-15T17:28:06Z) - CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。
最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。
教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
論文 参考訳（メタデータ） (2023-04-13T15:53:23Z) - Unsupervised domain adaptation by learning using privileged information [6.748420131629902]
補助変数による側情報への訓練時間アクセスは,入力変数の制約緩和に有効であることを示す。
本稿では,対象領域における予測誤差の分析から着想を得た単純な2段階学習アルゴリズムと,画像分類のための実用的エンドツーエンド変種を提案する。
論文 参考訳（メタデータ） (2023-03-16T14:31:50Z) - Achievement and Fragility of Long-term Equitability [3.04585143845864]
公平性の概念を最大化するために,地域交流コミュニティに限られた資源を割り当てる方法について検討する。
データ駆動型フィードバックのオンライン最適化に起因した最近の数学的ツールを用いている。
我々は,長期的均衡性を最大化するアロケーションに収束する動的ポリシーを設計する。
論文 参考訳（メタデータ） (2022-06-24T15:04:49Z) - Balancing Discriminability and Transferability for Source-Free Domain
Adaptation [55.143687986324935]
従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。
ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。
そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
論文 参考訳（メタデータ） (2022-06-16T09:06:22Z) - Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。
具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。
本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
論文 参考訳（メタデータ） (2020-10-23T06:29:09Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳（メタデータ） (2020-10-21T10:11:17Z) - Universal Source-Free Domain Adaptation [57.37520645827318]
ドメイン適応のための新しい2段階学習プロセスを提案する。
Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。
Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
論文 参考訳（メタデータ） (2020-04-09T07:26:20Z)
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。