論文の概要: Rawlsian many-to-one matching with non-linear utility

• arxiv url: http://arxiv.org/abs/2511.02533v1
• Date: Tue, 04 Nov 2025 12:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.990682
• Title: Rawlsian many-to-one matching with non-linear utility
• Title（参考訳）: Rawlsian many-to-one matching with non-linear utility
• Authors: Hortence Nana, Andreas Athanasopoulos, Christos Dimitrakakis,
• Abstract要約: 本研究では,大学入学問題などの多対一のマッチング問題について検討し,各大学が複数の学生を受け入れた。 古典的安定マッチングが存在しないかもしれないことを示す。 大学全体で最小限の効用を最大化することを目的とした,Rawlsian Fairnessに基づく代替ソリューションの概念を提案する。
• 参考スコア（独自算出の注目度）: 5.931301121887258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study a many-to-one matching problem, such as the college admission problem, where each college can admit multiple students. Unlike classical models, colleges evaluate sets of students through non-linear utility functions that capture diversity between them. In this setting, we show that classical stable matchings may fail to exist. To address this, we propose alternative solution concepts based on Rawlsian fairness, aiming to maximize the minimum utility across colleges. We design both deterministic and stochastic algorithms that iteratively improve the outcome of the worst-off college, offering a practical approach to fair allocation when stability cannot be guaranteed.
• Abstract（参考訳）: 本研究では,大学入学問題などの多対一のマッチング問題について検討し,各大学が複数の学生を受け入れた。 古典モデルとは異なり、大学は学生間の多様性を捉える非線形ユーティリティ機能を通じて学生の集合を評価する。 この設定では、古典的な安定マッチングが存在しないかもしれないことを示す。 そこで本研究では,Rawlsian Fairnessに基づく代替ソリューションの概念を提案する。 我々は、最悪の大学の結果を反復的に改善する決定論的アルゴリズムと確率論的アルゴリズムの両方を設計し、安定性が保証できない場合に公平なアロケーションに実践的なアプローチを提供する。

関連論文リスト

• Stable Matching with Ties: Approximation Ratios and Learning [34.58046942241621]
  我々は、市場の片側で働く労働者が、彼らのマッチングユーティリティーによって決定された、仕事よりも好みに結びついている可能性がある、マッチング市場と結びつきについて研究する。 厳格な嗜好を持つ古典的な二面市場とは異なり、すべての労働者に対して実用性を最大化する単一の安定なマッチングは存在しない。
  論文  参考訳（メタデータ） (2024-11-05T17:14:46Z)
• Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
  機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。 これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。 この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2024-03-18T14:55:45Z)
• Learning Fair Policies for Multi-stage Selection Problems from Observational Data [4.282745020665833]
  我々は、観測データから多段階選択問題に対する公正なポリシーを学習する問題を考察する。 この問題は、企業の雇用、ローン承認、または、選択された結果のみが観察されるような保釈決定など、いくつかの高い評価の領域で発生する。 本稿では,人口格差や平等機会など,様々な公平性制約で拡張可能な多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-20T16:33:15Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• From Utilitarian to Rawlsian Designs for Algorithmic Fairness [0.0]
  善の2つの(おそらく)矛盾する概念を補間する客観関数のクラスを提示する。 我々は最適解を計算し、有効性の概念と善のラウルシアン概念の間のトレードオフを構築する」。 「この研究は「公正の適切な度合い」が、誘導的実用主義とルールシアン・グッドの空間に対するデザイナーの嗜好によってもたらされることを示唆している。」
  論文  参考訳（メタデータ） (2023-02-07T16:28:10Z)
• Recursive Constraints to Prevent Instability in Constrained Reinforcement Learning [16.019477271828745]
  マルコフ決定プロセスにおける決定論的政策の発見という課題を考察する。 この種の問題は難しいことが知られているが、決定論と一様最適性の要求が組み合わされば、学習不安定が生じる。 本稿では,学習不安定性を防止するための制約付き強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-20T02:33:24Z)
• Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
  不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。 私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
  論文  参考訳（メタデータ） (2021-08-19T17:59:28Z)
• Preference learning along multiple criteria: A game-theoretic perspective [97.94912276610002]
  我々は、ブラックウェルの接近性からインスピレーションを得て、フォン・ノイマンの勝者の概念をマルチ基準設定に一般化する。 本フレームワークは,基準間の選好の非線形集約を可能にし,多目的最適化から線形化に基づくアプローチを一般化する。 凸最適化問題の解法として,マルチ基準問題インスタンスのブラックウェルの勝者が計算可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-05T03:23:11Z)

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。