論文の概要: SMaRT: Online Reusable Resource Assignment and an Application to Mediation in the Kenyan Judiciary

• arxiv url: http://arxiv.org/abs/2602.18431v1
• Date: Fri, 20 Feb 2026 18:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.421127
• Title: SMaRT: Online Reusable Resource Assignment and an Application to Mediation in the Kenyan Judiciary
• Title（参考訳）: SMaRT: オンライン再利用可能なリソース割り当てとケニア司法におけるメディエーションへの応用
• Authors: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann,
• Abstract要約: 我々は、受信したタスク(ケース)をすぐに利用可能な容量制限されたリソース(メディエータ)に割り当てなければならないオンラインリソース割り当て問題について検討する。 現実の問題の規模は、2000人以上の仲介者と、各仲介者が取り組む資格を持つ複数の地理的位置 (87) とケースタイプ (12) の組み合わせがあるため、大きな課題となる。 代入のための2次プログラムの定式化と学習のためのマルチエージェントバンディットスタイルのフレームワークを用いて,抽出可能な方法で問題を定式化する。 我々は、新しいアルゴリズムSMaRTの鍵となる特性と利点を、メディエータのスタイル化されたインスタンスのベースラインと比較する。
• 参考スコア（独自算出の注目度）: 9.607971848086521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivated by the problem of assigning mediators to cases in the Kenyan judicial, we study an online resource allocation problem where incoming tasks (cases) must be immediately assigned to available, capacity-constrained resources (mediators). The resources differ in their quality, which may need to be learned. In addition, resources can only be assigned to a subset of tasks that overlaps to varying degrees with the subset of tasks other resources can be assigned to. The objective is to maximize task completion while satisfying soft capacity constraints across all the resources. The scale of the real-world problem poses substantial challenges, since there are over 2000 mediators and a multitude of combinations of geographic locations (87) and case types (12) that each mediator is qualified to work on. Together, these features, unknown quality of new resources, soft capacity constraints, and a high-dimensional state space, make existing scheduling and resource allocation algorithms either inapplicable or inefficient. We formalize the problem in a tractable manner using a quadratic program formulation for assignment and a multi-agent bandit-style framework for learning. We demonstrate the key properties and advantages of our new algorithm, SMaRT (Selecting Mediators that are Right for the Task), compared with baselines on stylized instances of the mediator allocation problem. We then consider its application to real-world data on cases and mediators from the Kenyan judiciary. SMaRT outperforms baselines and allows control over the tradeoff between the strictness of capacity constraints and overall case resolution rates, both in settings where mediator quality is known beforehand and in bandit-like settings where learning is part of the problem definition. On the strength of these results, we plan to run a randomized controlled trial with SMaRT in the judiciary in the near future.
• Abstract（参考訳）: ケニア司法裁判所の事例にメディエーターを割り当てるという問題に触発された我々は、受信したタスク(ケース)をすぐに利用可能な容量制限されたリソース(メディエーター)に割り当てなければならないオンラインリソース割り当て問題を研究する。 リソースは品質によって異なり、学習する必要があるかもしれない。 加えて、リソースはタスクのサブセットにのみ割り当てられることができ、それは他のリソースが割り当てられるタスクのサブセットと重複する。 目的は、すべてのリソースにまたがるソフトキャパシティの制約を満たしながら、タスク完了を最大化することである。 現実の問題の規模は、2000人以上の仲介者と、各仲介者が取り組む資格を持つ複数の地理的位置 (87) とケースタイプ (12) の組み合わせがあるため、大きな課題となる。 これらの特徴、新しいリソースの未知の品質、ソフトキャパシティの制約、そして高次元の状態空間は、既存のスケジューリングとリソース割り当てアルゴリズムを適用不可能または非効率にします。 代入のための2次プログラムの定式化と学習のためのマルチエージェントバンディットスタイルのフレームワークを用いて,抽出可能な方法で問題を定式化する。 我々は,新たなアルゴリズムであるSMART(Selecting Mediators that are right for the Task)の鍵となる特性と利点を,メディエータ割り当て問題のスタイリングされたインスタンスのベースラインと比較した。 次に、ケニア司法裁判所のケースや仲介者に関する実世界のデータに適用することを検討する。 SMaRTはベースラインを上回り、キャパシティ制約の厳格さと全体のケース解決率のトレードオフを制御できる。 これらの結果の強さから,近い将来,SMaRTを用いたランダム化対照試験を司法で実施する計画である。

関連論文リスト

• A Fair OR-ML Framework for Resource Substitution in Large-Scale Networks [14.634171922038675]
  本稿では,オペレーティングリサーチ(OR)と機械学習(ML)を組み合わせて,大規模ネットワークにおける資源の公平な置換を可能にする汎用フレームワークを提案する。 このフレームワークは、世界最大のパッケージデリバリー企業のネットワークに適用されている。
  論文  参考訳（メタデータ） (2025-11-23T03:38:41Z)
• Capacity-Constrained Continual Learning [64.70016365121081]
  本稿では,限られた能力を持つエージェントが資源を最適な性能に割り当てる方法について検討する。 容量制約付き線形四元数-ガウス列予測問題に対する解法を導出する。 サブプロブレムの集合に分解できる問題に対しては、定常状態においてこれらのサブプロブレム全体にわたってキャパシティを最適に割り当てる方法についても示す。
  論文  参考訳（メタデータ） (2025-07-29T03:47:22Z)
• Towards Principled Unsupervised Multi-Agent Reinforcement Learning [49.533774397707056]
  実践的な設定でこの問題に対処するために,スケーラブルで分散化された信頼領域ポリシー探索アルゴリズムを提案する。 本研究では,特定の目的,すなわち混合エントロピーの最適化が,トラクタビリティと性能のトレードオフに優れたものであることを示す。
  論文  参考訳（メタデータ） (2025-02-12T12:51:36Z)
• Active Learning for Fair and Stable Online Allocations [6.23798328186465]
  我々は、オンラインリソース割り当てプロセスの各エポックにおいて、エージェントの特定のサブセットからのフィードバックを検討する。 提案アルゴリズムは,様々な測度に対して,時系列のサブ線形な後悔境界を提供する。 我々は,効率的な意思決定には広範なフィードバックは必要とせず,様々な問題クラスに対して効率的な結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2024-06-20T23:23:23Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Resource Allocation to Agents with Restrictions: Maximizing Likelihood with Minimum Compromise [28.2469613376685]
  原理は、各エージェントが何らかの確率でリソースにマッチするように、ランダムに最大マッチングを選択することを示す。 エージェントは、制限を一定の範囲内で変更することで、マッチする可能性を改善したいと考えています。 本研究では,合成データセットと2つの新しい実世界のデータセットについて実験的に評価した。
  論文  参考訳（メタデータ） (2022-09-12T11:58:19Z)
• 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)
• Polynomial-Time Algorithms for Multi-Agent Minimal-Capacity Planning [19.614913673879474]
  共有タスクを達成するために協力する自律エージェントのリソース容量を最小化する問題を研究する。 消費マルコフ決定過程において、エージェントは限られた容量の資源を有する。 我々は,このグラフ問題をエージェント数,ターゲット位置,消費マルコフ決定過程の大きさで時間的に解くアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-05-04T00:30:02Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• A Non-Stationary Bandit-Learning Approach to Energy-Efficient Femto-Caching with Rateless-Coded Transmission [98.47527781626161]
  小セルネットワークにおける共同キャッシュと送信のためのリソース割り当て問題について検討する。 次に、各放送ラウンドの送信電力レベルとともに、キャッシュからファイルを選択するという問題を定式化する。 最先端の研究とは対照的に、提案手法は時変統計特性を持つネットワークに特に適している。
  論文  参考訳（メタデータ） (2020-04-13T09:07:17Z)

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。