論文の概要: Fairness in Limited Resources Settings
- arxiv url: http://arxiv.org/abs/2602.23026v1
- Date: Thu, 26 Feb 2026 14:07:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-27 18:41:22.714581
- Title: Fairness in Limited Resources Settings
- Title（参考訳）: 限られた資源設定の公正性
- Authors: Eitan Bachmat, Inbal Livni Navon,
- Abstract要約: 近年,機械学習アルゴリズムによって重要な社会決定がなされている。
我々は,意思決定の予測的側面と資源配分的側面の両方を考慮する。
この作業では、そのような設定における決定の公平性に焦点を当てます。
- 参考スコア（独自算出の注目度）: 0.48127184936824546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years many important societal decisions are made by machine-learning algorithms, and many such important decisions have strict capacity limits, allowing resources to be allocated only to the highest utility individuals. For example, allocating physician appointments to the patients most likely to have some medical condition, or choosing which children will attend a special program. When performing such decisions, we consider both the prediction aspect of the decision and the resource allocation aspect. In this work we focus on the fairness of the decisions in such settings. The fairness aspect here is critical as the resources are limited, and allocating the resources to one individual leaves less resources for others. When the decision involves prediction together with the resource allocation, there is a risk that information gaps between different populations will lead to a very unbalanced allocation of resources. We address settings by adapting definitions from resource allocation schemes, identifying connections between the algorithmic fairness definitions and resource allocation ones, and examining the trade-offs between fairness and utility. We analyze the price of enforcing the different fairness definitions compared to a strictly utility-based optimization of the predictor, and show that it can be unbounded. We introduce an adaptation of proportional fairness and show that it has a bounded price of fairness, indicating greater robustness, and propose a variant of equal opportunity that also has a bounded price of fairness.
- Abstract（参考訳）: 近年、多くの重要な社会的決定は機械学習アルゴリズムによって行われており、そのような重要な決定の多くは、限られた容量制限を持ち、リソースを最高のユーティリティ個人にのみ割り当てることができる。
例えば、医師の予約を患者に割り当てる場合、または特別のプログラムにどの子供が出席するかを選択できる。
このような決定を行う際には,決定の予測的側面と資源配分的側面の両方を考慮する。
この作業では、そのような設定における決定の公平性に焦点を当てます。
ここでの公平さの側面は、リソースが限られており、リソースを個人に割り当てることによって、リソースを他よりも少なくすることができるため、非常に重要です。
この決定が資源割り当てと合わせて予測される場合、異なる集団間の情報ギャップが資源のバランスの取れない配分につながるリスクがある。
資源割当スキームからの定義に適応し、アルゴリズムフェアネス定義と資源割当定義との間の接続を識別し、公平性と実用性の間のトレードオフを調べることで、設定に対処する。
予測器の厳密な実用性に基づく最適化と比較して,異なる公平性定義を強制するコストを解析し,非有界性を示す。
比例フェアネスの適応を導入し、より強いロバスト性を示す、有界なフェアネスを持つことを示すとともに、有界なフェアネスを持つ等機会の変種を提案する。
関連論文リスト
- No-Regret Learning Under Adversarial Resource Constraints: A Spending Plan Is All You Need! [56.80767500991973]
アクション選択の前に報酬とコストが観測される$(i)$オンラインリソース割当と、アクション選択後、完全なフィードバックや盗賊フィードバックの下で、リソース制限付きオンライン学習である$(ii)$オンラインリソース割当に焦点を当てた。
報酬とコスト分布が時間とともに任意に変化する場合、これらの設定でサブ線形後悔を達成することは不可能であることが知られている。
我々は、支出計画に従う基準線に対する半線形後悔を実現する一般的な(基本的)二重的手法を設計し、また、支出計画が予算のバランスの取れた配分を保証すると、アルゴリズムの性能が向上する。
論文 参考訳（メタデータ） (2025-06-16T08:42:31Z) - Decision-centric fairness: Evaluation and optimization for resource allocation problems [1.5623752145311105]
本稿では,意思決定領域内でのみ公平性をもたらす意思決定中心の公平性手法を提案する。
我々は、複数の(半合成)データセットに対するグローバルフェアネスアプローチに対して、我々のアプローチを実証的に比較した。
論文 参考訳（メタデータ） (2025-04-29T11:12:36Z) - Resource-constrained Fairness [6.5549655910531195]
本研究は「資源制約公正」の概念を導入し、この枠組みにおける公正のコストを定量化する。
利用可能な資源のレベルがこのコストに大きく影響することを示し、これは以前の評価で見落とされた要素である。
論文 参考訳（メタデータ） (2024-06-03T13:01:09Z) - Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。
医療資源割り当てプロトコルの普遍的な標準は存在しない。
本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
論文 参考訳（メタデータ） (2023-09-15T17:28:06Z) - Causal Fairness for Outcome Control [68.12191782657437]
本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。
本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。
次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
論文 参考訳（メタデータ） (2023-06-08T09:31:18Z) - 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) - On Fair Selection in the Presence of Implicit and Differential Variance [22.897402186120434]
本研究では, 意思決定者が各候補の品質のノイズの多い推定値を受け取り, その差が候補群に依存するモデルについて検討する。
どちらの基準決定要因も、反対方向にも差別をもたらすことを示す。
論文 参考訳（メタデータ） (2021-12-10T16:04:13Z) - Distributive Justice and Fairness Metrics in Automated Decision-making:
How Much Overlap Is There? [0.0]
機会の平等を実践する指標は、資源割り当てが保存性に基づいている場合にのみ適用されるが、アロケーションが平等主義、十分性、優先順位に関する懸念を反映すべきときに失敗することを示す。
予測タスクと意思決定タスクをきれいに区別することで、公平な機械学習の研究は分散的正義に関する豊かな文献をよりうまく活用できると論じている。
論文 参考訳（メタデータ） (2021-05-04T12:09:26Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳（メタデータ） (2020-12-21T01:01:56Z) - Learning Strategies in Decentralized Matching Markets under Uncertain
Preferences [91.3755431537592]
エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。
我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。
エージェントの期待した利益を最大化する最適な戦略を導出する。
論文 参考訳（メタデータ） (2020-10-29T03:08:22Z) - 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)
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。