論文の概要: Credit Fairness: Online Fairness In Shared Resource Pools

• arxiv url: http://arxiv.org/abs/2601.17944v1
• Date: Sun, 25 Jan 2026 18:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.554095
• Title: Credit Fairness: Online Fairness In Shared Resource Pools
• Title（参考訳）: Credit Fairness: 共有リソースプールにおけるオンラインフェアネス
• Authors: Seyed Majid Zahedi, Rupert Freeman,
• Abstract要約: エージェントの集団が各個別の期間に割り当てられなければならないリソースを共有する環境を考える。 近年の研究では、この最大ミン機構が、エージェントが受信した全リソースに大きな格差をもたらすことが示されている。 クレジットフェアネスは、早期ラウンドでリソースを貸すエージェントが後ラウンドでそれらを再結合できるようにする、共有インセンティブの強化である。
• 参考スコア（独自算出の注目度）: 3.8888484256987685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider a setting in which a group of agents share resources that must be allocated among them in each discrete time period. Agents have time-varying demands and derive constant marginal utility from each unit of resource received up to their demand, with zero utility for any additional resources. In this setting, it is known that independently maximizing the minimum utility in each round satisfies sharing incentives (agents weakly prefer participating in the mechanism to not participating), strategyproofness (agents have no incentive to misreport their demands), and Pareto efficiency (Freeman et al. 2018). However, recent work (Vuppalapati et al. 2023) has shown that this max-min mechanism can lead to large disparities in the total resources received by agents, even when they have the same average demand. In this paper, we introduce credit fairness, a strengthening of sharing incentives that ensures agents who lend resources in early rounds are able to recoup them in later rounds. Credit fairness can be achieved in conjunction with either Pareto efficiency or strategyproofness, but not both. We propose a mechanism that is credit fair and Pareto efficient, and we evaluate its performance in a computational resource-sharing setting.
• Abstract（参考訳）: エージェントの集団が各個別の期間に割り当てられなければならないリソースを共有する環境を考える。 エージェントは、時間的に異なる要求を持ち、要求に応じて受け取ったリソース単位から一定の限界効用を導き、追加のリソースに対してゼロ効用を持つ。 この設定では、各ラウンドにおける最小限のユーティリティを独立して最大化することは、インセンティブの共有(エージェントは参加しないメカニズムへの参加を弱く好んでいる)、防御性(エージェントは要求を誤って報告するインセンティブを持っていない)、パレート効率(Freeman et al 2018)を満足していることが知られている。 しかし、最近の研究(Vuppalapati et al 2023)では、この最大ミン機構は、同じ平均的な需要がある場合でも、エージェントが受け取った総資源に大きな格差をもたらすことが示されている。 本稿では,早期ラウンドで資源を貸与するエージェントが後ラウンドで再結合できるようにするための,共有インセンティブの強化であるクレジットフェアネスを紹介する。 信用の公正性はパレートの効率性または戦略の安全性と組み合わせて達成できるが、両方ではない。 本稿では,クレジットフェアとパレートを効率よく行う機構を提案し,その性能を計算資源共有環境で評価する。

関連論文リスト

• A General Incentives-Based Framework for Fairness in Multi-agent Resource Allocation [4.930376365020355]
  GIFF(General Incentives-based Framework for Fairness)を紹介する。 GIFFは、標準値関数から公平な意思決定を推測する、公平なマルチエージェントリソース割り当てのための新しいアプローチである。
  論文  参考訳（メタデータ） (2025-10-30T17:37:51Z)
• Regularized Proportional Fairness Mechanism for Resource Allocation Without Money [18.593061465167363]
  我々は資源配分問題に合わせた革新的なニューラルネットワークアーキテクチャを設計し、それを正規化比例公正ネットワーク(RPF-Net)と呼ぶ。 RPF-Netは、最も悪用可能なアロケーションの学習関数近似器により、比例フェアネス(PF)機構の出力を正規化する。 有限分布および外分布サンプル下での学習時の機構性能を保証する一般化境界を導出する。
  論文  参考訳（メタデータ） (2025-01-02T07:17:23Z)
• Cooperation and Fairness in Multi-Agent Reinforcement Learning [6.164771707307928]
  移動・輸送システムの資源に制約のある環境では、公平さを犠牲にして効率性を実現することができる。 マルチエージェント強化学習(MARL)を用いた分散エージェント群に対する公平なマルチエージェントナビゲーションの問題を考える。 このモデルでは, ランダムな代入を用いて訓練したベースラインに対して, 効率が14%向上し, 公平性が5%向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-19T00:10:52Z)
• Sequential Resource Trading Using Comparison-Based Gradient Estimation [21.23354615468778]
  資源割り当てのシーケンシャルなトレーディングを、2つの合理的なエージェントが有限のカテゴリから逐次的にリソースを交換する環境で検討する。 提供エージェントは、応答エージェントのユーティリティ機能を知ることなく、そのユーティリティを改善するための取引オファーを行い、応答エージェントは、そのユーティリティを改善するオファーのみを受け入れる。 本稿では,提案エージェントが応答エージェントの勾配(参照)を推定し,事前の受け入れや拒絶の応答に基づいて提案を行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-20T20:42:41Z)
• Fair Allocation in Dynamic Mechanism Design [57.66441610380448]
  競売業者が各ラウンドの買い手グループに、合計で$T$で分けない商品を販売している問題を考える。 競売人は、各グループの最低平均配分を保証する公正な制約に固執しつつ、割引された全体の収益を最大化することを目的としている。
  論文  参考訳（メタデータ） (2024-05-31T19:26:05Z)
• 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)
• Strategic Resource Selection with Homophilic Agents [48.83208975886834]
  類似エージェントとの共同資源利用を目指す異種エージェントを用いたリソース選択ゲームを提案する。 モデルでは,異なるタイプのエージェントを考慮し,その決定的特徴はユーザ間の同一型エージェントの割合である。 このような有界な有理性はゲーム理論上有利な性質を持つことを示す。
  論文  参考訳（メタデータ） (2023-05-01T14:14:58Z)
• Online Allocation and Learning in the Presence of Strategic Agents [16.124755488878044]
  我々は,各エージェントが予め指定された各項目の分数を受けなければならないという制約の下で,$n$均質なエージェントのうち,$T$が順次到着するアイテムを割り当てる問題について検討する。 私たちの主な貢献は、ほぼベイズ的インセンティブ互換のオンライン学習ベースのアロケーションメカニズムです。
  論文  参考訳（メタデータ） (2022-09-25T00:46:53Z)
• Monotonic Improvement Guarantees under Non-stationarity for Decentralized PPO [66.5384483339413]
  我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。 本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-31T20:39:48Z)
• Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
  経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。 エージェントの好みを学習するためのオンライン学習機構を提案する。 数値シミュレーションにより,本機構の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T21:32:17Z)

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。