論文の概要: Trading Utility for Dynamic Fairness in Multiple Resource Division with Sequential Demand

• arxiv url: http://arxiv.org/abs/2606.10472v1
• Date: Tue, 09 Jun 2026 06:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.355198
• Title: Trading Utility for Dynamic Fairness in Multiple Resource Division with Sequential Demand
• Title（参考訳）: 逐次需要を考慮した複数資源部門におけるダイナミックフェアネスのためのトレーディングユーティリティ
• Authors: Kaiqi Jiang, Karim El Husseini, Wenzhe Fan, Xinhua Zhang,
• Abstract要約: 本稿では,有効性と公正性を両立するニューラルアロケーション機構を提案する。 まず、段階的損失関数による動的設定における公正性を定式化する。 我々は、需要のサブスペースに割り当てを制約することで、ソリューションをパラメータ化した。
• 参考スコア（独自算出の注目度）: 8.838518847441728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic multi-resource allocation is a central problem in shared computing environments, where users' demands arrive sequentially and resources must be distributed fairly without knowledge of future demands. Existing methods emphasize fairness guarantees such as Sharing Incentive, Envy Freeness, and Dynamic Pareto Optimality, but often overlook system utility. Moreover, these fairness criteria are mutually incompatible, preventing strict enforcement of them at the same time. We propose a neural allocation mechanism that reconciles fairness with utility through multi-objective optimization during sequential rollout. We first formalize fairness in the dynamic setting via stepwise loss functions for Sharing Incentive, Envy Freeness, and Dynamic Pareto Optimality, enabling differentiable training. Leveraging non-wastefulness, we parameterized the solutions by constraining allocations to the subspace of demand while allowing elastic over-allocation when resources remain available. Empirical results demonstrate that our learned allocator achieves substantially higher utility at comparable levels of fairness, uncovering clear Pareto-frontier-like tradeoffs across metrics.
• Abstract（参考訳）: 動的マルチリソースアロケーションは、ユーザの要求が順次到着し、リソースは将来の要求を知らずにかなり分散されなければならない、共有コンピューティング環境において中心的な問題である。 既存の方法は、Sharing Incentive、Envy Freeness、Dynamic Pareto Optimalityなどの公正性を保証するが、システムユーティリティを見落としていることが多い。 さらに、これらの公正基準は相互に相容れないため、厳格な強制を同時に妨げている。 逐次ロールアウト時の多目的最適化により,実用性と公正性を両立するニューラルアロケーション機構を提案する。 まず,段階的損失関数による動的環境における公正度を,段階的損失関数を用いて定式化し,自由度・自由度・パレート最適度を識別可能とした。 非無駄性を生かして、リソースが利用可能のままで弾性的なオーバーアロケーションを許容しながら、需要のサブスペースにアロケーションを制約することで、ソリューションをパラメータ化した。 実験の結果、学習したアロケータは同等の公平度で極めて高いユーティリティを実現し、メトリクス間でのパレートフロンティアのような明確なトレードオフを明らかにした。

関連論文リスト

• Is Softmax Loss All You Need? A Principled Analysis of Softmax-family Loss [91.61796429377041]
  ソフトマックスの損失は、分類とランキングのタスクにおいて最も広く使用されるサロゲートの目標の1つである。 本研究では,異なるサロゲートが分類とランキングの指標との整合性を達成するかどうかを考察し,それらの勾配ダイナミクスを分析して,異なる収束挙動を明らかにする。 本研究は,大規模機械学習アプリケーションにおける損失選択の実践的ガイダンスとして,原則的基礎を確立した。
  論文  参考訳（メタデータ） (2026-01-30T09:24:52Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• 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)
• MMM-fair: An Interactive Toolkit for Exploring and Operationalizing Multi-Fairness Trade-offs [2.0019258650495493]
  mmm-fairは、多次元フェアネスと関連するトレードオフを探索するオープンソースツールである。 詳細なマルチ属性フェアネス、マルチオブジェクト最適化、ノーコード、チャットベースのインターフェース、LLMを使った説明、デプロイメント対応モデルを組み合わせたものだ。
  論文  参考訳（メタデータ） (2025-09-09T21:30:45Z)
• DECAF: Learning to be Fair in Multi-agent Resource Allocation [4.788163807490197]
  本研究では,資源集中配置における公平かつ効率的な政策を学習するための手法を提案する。 提案手法は,マルチエージェントシステムにおける公平性のための新しい,汎用的なフレームワークにおいて,長期的公正性学習に適用される。
  論文  参考訳（メタデータ） (2025-02-06T18:29:11Z)
• Achieving Fairness in Multi-Agent Markov Decision Processes Using Reinforcement Learning [30.605881670761853]
  有限水平エピソードMDPにおける公平性を実現するための強化学習手法を提案する。 このようなアプローチは、エピソード数の観点から、サブ線形後悔を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-01T03:43:53Z)
• Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
  オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。 当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
  論文  参考訳（メタデータ） (2022-02-28T12:10:48Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• 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)
• Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
  エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする 本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。 提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:10:16Z)
• Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
  本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。 この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。 目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
  論文  参考訳（メタデータ） (2020-07-01T14:24:58Z)

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。