論文の概要: Online Multi-Class Selection with Group Fairness Guarantee

• arxiv url: http://arxiv.org/abs/2510.21055v1
• Date: Thu, 23 Oct 2025 23:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.341853
• Title: Online Multi-Class Selection with Group Fairness Guarantee
• Title（参考訳）: グループフェアネス保証によるオンライン複数クラス選択
• Authors: Faraz Zargari, Hossein Nekouyan, Lyndon Hallett, Bo Sun, Xiaoqi Tan,
• Abstract要約: グループフェアネスを保証したオンラインマルチクラス選択問題について検討し、限られたリソースを逐次到着エージェントに割り当てる。 積分アルゴリズムが任意の分数解と同じ性能を確実に達成する新しい無損失丸め方式を導入する。 また、信頼できない機械学習予測を組み込んで、公平性と効率のバランスを良くする学習強化型を提案する。
• 参考スコア（独自算出の注目度）: 3.8723467409682617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the online multi-class selection problem with group fairness guarantees, where limited resources must be allocated to sequentially arriving agents. Our work addresses two key limitations in the existing literature. First, we introduce a novel lossless rounding scheme that ensures the integral algorithm achieves the same expected performance as any fractional solution. Second, we explicitly address the challenges introduced by agents who belong to multiple classes. To this end, we develop a randomized algorithm based on a relax-and-round framework. The algorithm first computes a fractional solution using a resource reservation approach -- referred to as the set-aside mechanism -- to enforce fairness across classes. The subsequent rounding step preserves these fairness guarantees without degrading performance. Additionally, we propose a learning-augmented variant that incorporates untrusted machine-learned predictions to better balance fairness and efficiency in practical settings.
• Abstract（参考訳）: グループフェアネスを保証したオンラインマルチクラス選択問題について検討し、限られたリソースを逐次到着エージェントに割り当てる。 我々の研究は、既存の文献の2つの重要な限界に対処している。 まず、積分アルゴリズムが任意の分数解と同じ期待された性能を達成するために、新しい無損失丸め方式を導入する。 第二に、複数のクラスに属するエージェントがもたらした課題に明示的に対処する。 そこで我々は,ゆるやかな枠組みに基づくランダム化アルゴリズムを開発した。 このアルゴリズムはまず、リソース予約アプローチ(set-asideメカニズムと呼ばれる)を使って、クラス間の公平性を強制する分数解を計算する。 続くラウンドングステップは、パフォーマンスを低下させることなく、これらの公正性を保証する。 さらに、信頼できない機械学習予測を取り入れた学習拡張型を提案し、実践的な環境での公平性と効率のバランスを改善する。

関連論文リスト

• Small Loss Bounds for Online Learning Separated Function Classes: A Gaussian Process Perspective [9.867914513513453]
  そこで本研究では,従来の研究よりも高い一般化率で低損失境界を達成できるオラクル効率のアルゴリズムを提案する。 また,この分離条件下では,最適な学習率が得られる差分プライベート学習の変種も提示する。
  論文  参考訳（メタデータ） (2025-02-14T16:52:50Z)
• Online Fair Allocation of Perishable Resources [1.4952056744888913]
  我々は、標準オンラインフェアアロケーション問題の事実上の動機付け型を考察する。 意思決定者は、一定回数のラウンドを割り当てるために、パーシシブルなリソースの予算を持っている。 目標は、うらやましいほど効率的で効率的なアロケーションのシーケンスを構築することです。
  論文  参考訳（メタデータ） (2024-06-04T15:14:10Z)
• Distributed Multi-Task Learning for Stochastic Bandits with Context Distribution and Stage-wise Constraints [0.0]
  異種エージェントを用いた線形文脈帯域における保守的分散マルチタスク学習について述べる。 正確なコンテキストは不明で、エージェントが利用できるのはコンテキスト分布のみである。 提案アルゴリズムは,各ラウンドにおいて,制約を満たすためにプルーニングされた動作セットを構築する。 中央サーバを介してエージェント間での見積もりの同期共有を含む。
  論文  参考訳（メタデータ） (2024-01-21T18:43:55Z)
• Robust and Performance Incentivizing Algorithms for Multi-Armed Bandits with Strategic Agents [52.75161794035767]
  性能インセンティブとロバストネスの2つの目的を同時に満たすバンディットアルゴリズムのクラスを導入する。 そこで本研究では,第2価格オークションのアイデアをアルゴリズムと組み合わせることで,プリンシパルが腕の性能特性に関する情報を持たないような設定が可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-13T06:54:49Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• Individually Fair Learning with One-Sided Feedback [15.713330010191092]
  我々は,学習者が正に予測されたインスタンスに対してのみ真のラベルを観察できる,一方的なフィードバックを伴うオンライン学習問題を考察する。 各ラウンドで$k$インスタンスが到着し、学習者が配置したランダム化ポリシーに従って分類結果を受け取る。 そこで我々は,一方的なフィードバックによるオンライン学習の問題から,文脈的半帯域問題に対する公平性違反を報告したパネルを構築。
  論文  参考訳（メタデータ） (2022-06-09T12:59:03Z)
• Contextual Model Aggregation for Fast and Robust Federated Learning in Edge Computing [88.76112371510999]
  フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。 既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。 そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T21:42:31Z)
• Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
  オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。 当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
  論文  参考訳（メタデータ） (2022-02-28T12:10:48Z)
• Smoothed Online Learning is as Easy as Statistical Learning [77.00766067963195]
  この設定では、最初のオラクル効率、非回帰アルゴリズムを提供する。 古典的な設定で関数クラスが学習可能な場合、文脈的包帯に対するオラクル効率のよい非回帰アルゴリズムが存在することを示す。
  論文  参考訳（メタデータ） (2022-02-09T19:22:34Z)
• A new perspective on classification: optimally allocating limited resources to uncertain tasks [4.169130102668252]
  例えば、クレジットカード詐欺検出では、銀行は詐欺捜査チームに少数の取引しか割り当てることができない。 我々は、タスクの不確実性に対処するために分類を使うことは、利用可能な能力を考慮していないため、本質的には最適ではないと論じる。 本稿では,限られた能力しか持たない課題の期待利益を直接最適化することで,ランク付けのための学習を用いた新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2022-02-09T10:14:45Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。