論文の概要: Who pays the RENT? Implications of Spatial Inequality for Prediction-Based Allocation Policies

• arxiv url: http://arxiv.org/abs/2508.08573v1
• Date: Tue, 12 Aug 2025 02:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.2776
• Title: Who pays the RENT? Implications of Spatial Inequality for Prediction-Based Allocation Policies
• Title（参考訳）: 誰がレントに支払うか : 予測に基づく割当政策における空間的不平等の影響
• Authors: Tasfia Mashiat, Patrick J. Fowler, Sanmay Das,
• Abstract要約: 個人レベルのターゲティングに関する最近の研究は、矛盾する結果を示している。 あるモデルでは、ターゲティングは不平等が高いときに役に立たないが、あるモデルでは潜在的な利益を示す。 我々は,不平等の空間分布がドア・ドア・ドア・アウトリーチ政策の有効性にどのように影響するかを理解するために,Mallowsモデルに基づくスタイリングフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 10.445957451908697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-powered scarce resource allocation policies rely on predictions to target either specific individuals (e.g., high-risk) or settings (e.g., neighborhoods). Recent research on individual-level targeting demonstrates conflicting results; some models show that targeting is not useful when inequality is high, while other work demonstrates potential benefits. To study and reconcile this apparent discrepancy, we develop a stylized framework based on the Mallows model to understand how the spatial distribution of inequality affects the effectiveness of door-to-door outreach policies. We introduce the RENT (Relative Efficiency of Non-Targeting) metric, which we use to assess the effectiveness of targeting approaches compared with neighborhood-based approaches in preventing tenant eviction when high-risk households are more versus less spatially concentrated. We then calibrate the model parameters to eviction court records collected in a medium-sized city in the USA. Results demonstrate considerable gains in the number of high-risk households canvassed through individually targeted policies, even in a highly segregated metro area with concentrated risks of eviction. We conclude that apparent discrepancies in the prior literature can be reconciled by considering 1) the source of deployment costs and 2) the observed versus modeled concentrations of risk. Our results inform the deployment of AI-based solutions in social service provision that account for particular applications and geographies.
• Abstract（参考訳）: AIを活用したリソース割り当てポリシーは、特定の個人(例えば、高リスク)または設定(例えば、近所)をターゲットにする予測に依存する。 個人レベルのターゲティングに関する最近の研究は相反する結果を示しており、不平等が高い場合にはターゲティングが役に立たないモデルもあれば、潜在的な利益を示すモデルもある。 そこで我々は,不平等の空間分布がドア・ドア・ドア・アウトリーチ政策の有効性にどのように影響するかを理解するために,Mallowsモデルに基づくスタイリングフレームワークを開発した。 RENT(Relative Effective of Non-Targeting)尺度を導入し,高リスク世帯が空間集中度が低くなる場合のテナント排除を防止するため,地域ベースのアプローチと比較して,ターゲティングアプローチの有効性を評価する。 次に、米国の中規模都市で収集された裁判記録を除外するためにモデルパラメータを校正する。 その結果,高リスク世帯が個別に対象とする政策を採り入れた場合,排他的リスクが集中した高度に隔離された都市圏においても,かなりの増加が見られた。 我々は、先行文学における明らかな相違を考慮し、和解することができると結論づける。 1) 配備コストの源泉と 2) リスクの予測値とモデル値との差がみられた。 この結果から,特定のアプリケーションや地理を考慮に入れたソーシャルサービス提供におけるAIベースのソリューションの展開が示唆された。

関連論文リスト

• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Beyond Eviction Prediction: Leveraging Local Spatiotemporal Public Records to Inform Action [11.183319154396369]
  我々は、リスクスコアを生成し、これらのリスクスコアを使用して目標とするアウトリーチポリシーを計画する、退避予測タスクを実行します。 リスクスコアが実際に有用であることを示し、ケースワーカーの理論的チームが同じ時間内により多くのエビクションを発生させる特性に到達できるようにする。 また,リスク予測と目標アウトリーチの両面において,地域的・所有権的特徴の重要性についても論じる。
  論文  参考訳（メタデータ） (2024-01-27T09:29:11Z)
• Learning Optimal and Fair Policies for Online Allocation of Scarce Societal Resources from Data Collected in Deployment [4.659762505466962]
  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5.16%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)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• A Risk-Sensitive Approach to Policy Optimization [21.684251937825234]
  標準深層強化学習(DRL)は、政策の定式化における収集経験を均等に考慮し、期待される報酬を最大化することを目的としている。 そこで本研究では,フルエピソード報酬の分布の累積分布関数 (CDF) で規定されるリスク感性目標を最適化する,より直接的なアプローチを提案する。 エージェントの動作が不十分なシナリオを強調する中程度の「悲観的」リスクプロファイルの使用が,探索の強化と,障害への継続的な対処に繋がることを示す。
  論文  参考訳（メタデータ） (2022-08-19T00:55:05Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Approximate Regions of Attraction in Learning with Decision-Dependent Distributions [11.304363655760513]
  我々は、繰り返しリスク最小化を、実行リスク最小化の勾配流の軌跡として分析する。 この設定において、様々な平衡に対するアトラクションの領域を特徴付ける条件を提供する。 本稿では、繰り返しリスク最小化の収束に関する幾何学的条件を提供する性能的アライメントの概念を、性能的リスク最小化に導入する。
  論文  参考訳（メタデータ） (2021-06-30T18:38:08Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Off-Policy Evaluation of Slate Policies under Bayes Risk [70.10677881866047]
  スレートのスロット上でロギングポリシーが因子化される典型的なケースにおいて、スレート帯のオフポリシ評価の問題について検討する。 PIによるリスク改善はスロット数とともに線形に増加し、スロットレベルの分岐の集合の算術平均と調和平均とのギャップによって線形に増加することを示す。
  論文  参考訳（メタデータ） (2021-01-05T20:07:56Z)
• Learning Strategies in Decentralized Matching Markets under Uncertain Preferences [91.3755431537592]
  エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。 我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。 エージェントの期待した利益を最大化する最適な戦略を導出する。
  論文  参考訳（メタデータ） (2020-10-29T03:08:22Z)

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。