論文の概要: From Individual to Multi-Agent Algorithmic Recourse: Minimizing the Welfare Gap via Capacitated Bipartite Matching

• arxiv url: http://arxiv.org/abs/2508.11070v1
• Date: Thu, 14 Aug 2025 21:04:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.674056
• Title: From Individual to Multi-Agent Algorithmic Recourse: Minimizing the Welfare Gap via Capacitated Bipartite Matching
• Title（参考訳）: 個人からマルチエージェント・アルゴリズム・リコース:キャパシタイト・マッチングによる福祉ギャップの最小化
• Authors: Zahra Khotanlou, Kate Larson, Amir-Hossein Karimi,
• Abstract要約: 本稿では,マルチエージェント・アルゴリズム・リコースのための新しいフレームワークを提案する。 我々のフレームワークは,システム設定に最小限の修正を加えて,多対多のアルゴリズムでほぼ最適の福祉を実現することができる。
• 参考スコア（独自算出の注目度）: 9.37591403853433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision makers are increasingly relying on machine learning in sensitive situations. In such settings, algorithmic recourse aims to provide individuals with actionable and minimally costly steps to reverse unfavorable AI-driven decisions. While existing research predominantly focuses on single-individual (i.e., seeker) and single-model (i.e., provider) scenarios, real-world applications often involve multiple interacting stakeholders. Optimizing outcomes for seekers under an individual welfare approach overlooks the inherently multi-agent nature of real-world systems, where individuals interact and compete for limited resources. To address this, we introduce a novel framework for multi-agent algorithmic recourse that accounts for multiple recourse seekers and recourse providers. We model this many-to-many interaction as a capacitated weighted bipartite matching problem, where matches are guided by both recourse cost and provider capacity. Edge weights, reflecting recourse costs, are optimized for social welfare while quantifying the welfare gap between individual welfare and this collectively feasible outcome. We propose a three-layer optimization framework: (1) basic capacitated matching, (2) optimal capacity redistribution to minimize the welfare gap, and (3) cost-aware optimization balancing welfare maximization with capacity adjustment costs. Experimental validation on synthetic and real-world datasets demonstrates that our framework enables the many-to-many algorithmic recourse to achieve near-optimal welfare with minimum modification in system settings. This work extends algorithmic recourse from individual recommendations to system-level design, providing a tractable path toward higher social welfare while maintaining individual actionability.
• Abstract（参考訳）: 意思決定者は、繊細な状況で機械学習にますます依存している。 このような設定では、アルゴリズムの講義は、個人に対して、好ましくないAI駆動決定を覆すための、行動可能で最小限のコストのステップを提供することを目的としている。 既存の研究は主に単一個人(探索者)と単一モデル(提供者)のシナリオに焦点を当てているが、現実のアプリケーションは複数の相互作用する利害関係者を含むことが多い。 個人の福祉的アプローチの下での探索者の成果の最適化は、個人が限られた資源と対話し競争する現実世界のシステムの本質的なマルチエージェントの性質を見落としている。 そこで本研究では,マルチエージェント・アルゴリズム・リコースのための新しいフレームワークを提案する。 我々は,この多対多の相互作用を容量重み付き二部間マッチング問題としてモデル化する。 エッジウェイトは、リコースコストを反映して、個人の福祉とこの集合可能な結果の間の福祉ギャップを定量化しながら、社会福祉に最適化されている。 本稿では,(1)基本容量マッチング,(2)福祉ギャップの最小化のための最適容量再分配,(3)キャパシティ調整コストによる福祉最大化の調整とコストアウェア最適化の3層最適化フレームワークを提案する。 合成および実世界のデータセットに対する実験的検証により,本フレームワークは,システム設定に最小限の修正を加えて,ほぼ最適の福祉を実現するために,多対多のアルゴリズムによる会話を可能にすることを示した。 この研究は、個人のレコメンデーションからシステムレベルのデザインまで、アルゴリズムによるレコメンデーションを拡張し、個人の行動可能性を維持しながら、より高い社会福祉への道のりを提供する。

関連論文リスト

• Pareto Optimal Algorithmic Recourse in Multi-cost Function [0.44938884406455726]
  アルゴリズム的リコースは、個々の特徴を変更するために最小限のコストのアクションを識別することを目的としており、それによって望ましい結果が得られる。 現在のリコース機構のほとんどは、コスト関数が微分可能であると仮定する勾配に基づく手法を使用しており、現実のシナリオでは適用できないことが多い。 本研究では,非微分可能かつ離散的多コスト関数を扱うアルゴリズム的リコースフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-11T03:16:08Z)
• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• On the Necessity of Collaboration for Online Model Selection with Decentralized Data [53.244188985271606]
  我々は,100万ドル以上の分散データを用いたオンラインモデル選択について検討し,クライアント間のコラボレーションの必要性について検討する。 i) クライアント上の計算コストが$o(K)$に制限された場合, (ii) クライアント上での計算制約がない場合, (i) 協調は不要であり, (ii) クライアント上での計算コストは$o(K)$に制限される。
  論文  参考訳（メタデータ） (2024-04-15T06:32:28Z)
• Scalable Online Exploration via Coverability [45.66375686120087]
  探索は、特に関数近似を必要とする高次元領域において、強化学習において大きな課題である。 従来の探索手法を一般化し,3つの基本デシラタをサポートする新しい目的である$L_Coverageを導入する。 $L_Coverageは、カバー可能性の低いMDPにおけるオンライン(リワードフリーまたは報酬駆動)強化学習のための、最初の計算効率のよいモデルベースおよびモデルフリーのアルゴリズムを可能にする。
  論文  参考訳（メタデータ） (2024-03-11T10:14:06Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• GPSAF: A Generalized Probabilistic Surrogate-Assisted Framework for Constrained Single- and Multi-objective Optimization [7.8140593450932965]
  本稿では,一般確率的サロゲート支援フレームワーク(GPSAF)を提案する。 GPSAFは、制約のない、制約のない、単目的および多目的最適化アルゴリズムの幅広いカテゴリに適用できる。
  論文  参考訳（メタデータ） (2022-04-06T13:22:30Z)
• Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds Global Optima [114.31577038081026]
  本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。 設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。 このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
  論文  参考訳（メタデータ） (2021-10-04T06:53:59Z)
• The Best of Many Worlds: Dual Mirror Descent for Online Allocation Problems [7.433931244705934]
  本稿では,意思決定者に対して未知の入力モデルを用いて,各要求に対する報酬とリソース消費を生成するデータ駆動型設定について考察する。 様々な入力モデルにおいて,どの入力に直面するかを知ることなく,優れた性能が得られるアルゴリズムの一般クラスを設計する。 我々のアルゴリズムはラグランジアン双対空間で動作し、オンラインミラー降下を用いて更新される各リソースに対して双対乗算器を保持する。
  論文  参考訳（メタデータ） (2020-11-18T18:39:17Z)
• Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
  本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。 この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。 目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
  論文  参考訳（メタデータ） (2020-07-01T14:24:58Z)

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。