論文の概要: Learning Fair Demand Models

• arxiv url: http://arxiv.org/abs/2606.06830v1
• Date: Fri, 05 Jun 2026 02:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.51695
• Title: Learning Fair Demand Models
• Title（参考訳）: 公正需要モデルを学ぶ
• Authors: Adam N. Elmachtoub, Hyemi Kim, Jonathan Y. Tan,
• Abstract要約: データによる価格設定は、航空会社、融資、保険、小売業などの分野でますます普及している。 本研究では,販売者が線形需要モデル推定と価格最適化を含む2段階決定パイプラインを持つモデルについて検討する。 消費者グループ間でのトレーニング損失の等化は複数のソリューションにつながり、結果として望ましくない結果がもたらされることを示す。
• 参考スコア（独自算出の注目度）: 2.317318456608172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven pricing is increasingly prevalent in sectors such as airlines, lending, insurance, and retail. By learning demand models from customer features and setting prices accordingly, these systems may generate discriminatory outcomes that raise fairness concerns. This leads to fundamental questions - how and where should systems incorporate fairness considerations in the pricing pipeline, and how does it ultimately affect societal outcomes? To answer these, we study a stylized model where a seller has a two-stage decision pipeline comprising linear demand model estimation followed by price optimization. The seller considers fairness notions in training loss, price, and demand, under both parity-wise and Rawlsian perspectives. We show that equalizing training loss across consumer groups leads to multiple solutions, which in turn can result in undesirable outcomes despite being a standard approach in fair machine learning. Focusing instead on fairness applied directly to prices or demand, we compare two strategies that enforce fairness in either the demand estimation stage or the price optimization stage. For parity-wise fairness, we characterize when each strategy yields higher social welfare under small fairness levels. We show that when market sizes and prices in the dataset are similar, imposing price fairness in the estimation stage is more beneficial to consumers, whereas imposing demand fairness in the optimization stage yields better consumer outcomes. For Rawlsian fairness, the two strategies coincide exactly. Lastly, we extend our model to alternate demand functions and conduct a case study using real-world vaccine pricing data.
• Abstract（参考訳）: データによる価格設定は、航空会社、融資、保険、小売業などの分野でますます普及している。 顧客の特徴から需要モデルを学び、それに応じて価格を設定することで、公正を懸念する差別的な結果を生み出す可能性がある。 システムはどのようにして、どこで、価格パイプラインに公平な考慮を組み込むべきか、最終的に社会的な結果にどのように影響するのか? そこで本研究では,販売者が線形需要モデル推定と価格最適化を併用した2段階決定パイプラインを有するスタイリングモデルについて検討する。 売り手は、パリティワイドとロウルシアンの両方の観点から、トレーニング損失、価格、需要の公平性の概念を考察している。 消費者グループ間でのトレーニング損失の均等化は複数のソリューションにつながり、公正な機械学習における標準的なアプローチであるにもかかわらず、望ましくない結果をもたらす可能性があることを示す。 その代わりに、価格や需要に直接適用される公正性に注目し、需要推定段階と価格最適化段階のいずれにおいても公正性を強制する2つの戦略を比較する。 公平度は,各戦略が小公平度の下で高い社会福祉をもたらすと特徴付けられる。 データセットの市場規模と価格が類似している場合、見積段階での価格フェアネスが消費者にとって有益であるのに対して、最適化段階での需要フェアネスが消費者により良い結果をもたらすことを示す。 ロールシアン・フェアネスにとって、2つの戦略は正確に一致している。 最後に、我々のモデルを代替需要関数に拡張し、実世界のワクチン価格データを用いてケーススタディを行う。

関連論文リスト

• Equity by Design: Fairness-Driven Recommendation in Heterogeneous Two-Sided Markets [44.675845572303324]
  本研究では,グループレベルのユーティリティ格差を圧縮する消費者側の目的として,Conditional Value-at-Riskを紹介した。 実験の結果,生産者の制約が消費者のコストを負担しない「自由公正」体制は,複数項目設定で消滅することが明らかとなった。 厳密には、適度な公正性の制約は、飽和生産者からの露出を多様化することで、ビジネスメトリクスを改善することができる。
  論文  参考訳（メタデータ） (2026-02-11T10:59:32Z)
• Towards Harmless Rawlsian Fairness Regardless of Demographic Prior [57.30787578956235]
  トレーニングセットに事前の人口統計が提供されない場合に,有効性を損なうことなく公平性を達成する可能性を探る。 本稿では,経験的損失の最適セット内でのトレーニング損失の分散を最小限に抑えるため,VFairという簡単な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T12:40:34Z)
• FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning [48.38344934125999]
  提案手法は,高品質なデータ拡張を実現し,コメンデーションフェアネスを改善する方法である。 具体的には,動的グラフ対逆学習フレームワークであるFairDgclを提案する。 FairDgclは、公正さと精度の両方を持つ拡張表現を同時に生成できることを示す。
  論文  参考訳（メタデータ） (2024-10-23T04:43:03Z)
• Fairness Incentives in Response to Unfair Dynamic Pricing [7.991187769447732]
  我々は基本的な模擬経済を設計し、公正な価格設定の行動を採用するよう企業にインセンティブを与えるために法人税のスケジュールを作成する。 可能な政策シナリオを網羅するため、我々は、ソーシャルプランナーの学習問題を、マルチアームバンディット、コンテキストバンディット、およびフル強化学習(RL)問題として定式化する。 社会的福祉はフェアネス非依存ベースラインのそれよりも改善し,マルチアームおよびコンテキストバンディット設定のための分析学的に最適なフェアネス対応ベースラインにアプローチすることを発見した。
  論文  参考訳（メタデータ） (2024-04-22T23:12:58Z)
• A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
  本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。 当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
  論文  参考訳（メタデータ） (2024-02-23T10:21:07Z)
• A Causal Perspective on Loan Pricing: Investigating the Impacts of Selection Bias on Identifying Bid-Response Functions [1.0937531920233807]
  我々は、因果推論の問題として価格を装い、選択バイアスの効果を理解するための一歩を踏み出した。 本研究では,ベルギーにおけるローンローン申請に関する半合成データセットにおいて,選択バイアスのレベルをシミュレートした。 我々は、因果機械学習による最先端の手法を実装し、価格データの選択バイアスを克服する能力を示す。
  論文  参考訳（メタデータ） (2023-09-07T14:14:30Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Convex Loss Functions for Contextual Pricing with Observational Posted-Price Data [2.538209532048867]
  我々は、販売者が以前に提供された価格のサンプルにアクセス可能な、政治的でない価格問題について検討する。 これは、顧客の評価(支払いの意志)のサンプルが観察される、よく研究された設定とは対照的である。 我々の設定では、観測されたデータは歴史的価格政策の影響を受けており、顧客が代替価格にどう反応したかは分かっていません。
  論文  参考訳（メタデータ） (2022-02-16T22:35:39Z)
• 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)

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。