論文の概要: Parameterized Fair Resource Allocation under Diversity Constraints

• arxiv url: http://arxiv.org/abs/2607.26485v1
• Date: Wed, 29 Jul 2026 05:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.546842
• Title: Parameterized Fair Resource Allocation under Diversity Constraints
• Title（参考訳）: 多様性制約下におけるパラメータ化資源配分
• Abstract要約: 本稿では,多様性制約下での公平な資源配分のためのパラメータ化フレームワークを提案する。 経済モデルにおけるリスク回避パラメータの使用に触発されたPRAは、制御可能な不等式回避パラメータのセットを導入している。 適切に校正されたパラメータにより、PRAは指定された多様性の制約を満たす公平な最適割り当てを与える。
• 参考スコア（独自算出の注目度）: 42.418916524222105
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Resource allocation across multiple agent groups arises in many applications including e-commerce recommendation systems, housing assignment, and course allocation, and is commonly formulated as an optimization problem with diversity constraints to ensure group fairness. Existing approaches typically enforce these constraints as hard conditions, which overly restrict the feasible solution space and often lead to suboptimal allocations. In this paper, we propose PRA, a parameterized framework for fair resource allocation under diversity constraints. Inspired by the use of risk-aversion parameters in economic models, PRA introduces a set of controllable inequality-aversion parameters to softly regulate group-level diversity, thereby enabling flexible trade-offs between fairness and allocation efficiency. With appropriately calibrated parameters, PRA yields fairness-optimal assignments that comply with the specified diversity constraints. To accommodate additional application-specific constraints, we further extend the framework to an adaptive variant, APRA. We establish that the optimality of both PRA and APRA holds regardless of the chosen fairness metric and the nature of the additional constraints, underscoring the generality and robustness of our approach. Extensive experiments on three real-world applications demonstrate that our proposed framework consistently outperforms existing baselines in both effectiveness and robustness.
• Abstract（参考訳）: 複数のエージェントグループにまたがるリソース割り当ては、eコマースレコメンデーションシステム、住宅割当、コース割当を含む多くのアプリケーションで発生し、グループフェアネスを確保するために、多様性制約を伴う最適化問題として一般的に定式化されている。 既存のアプローチは通常、これらの制約をハード条件として強制し、実現可能な解空間を過度に制限し、しばしば準最適割当をもたらす。 本稿では,多様性制約下での公平な資源配分のためのパラメータ化フレームワークであるPRAを提案する。 経済モデルにおけるリスク回避パラメータの使用に触発されたPRAは、グループレベルの多様性をソフトに規制する制御可能な不平等回避パラメータのセットを導入し、フェアネスとアロケーション効率の間の柔軟なトレードオフを可能にする。 適切に校正されたパラメータにより、PRAは指定された多様性の制約を満たす公平な最適割り当てを与える。 追加のアプリケーション固有の制約を満たすため、フレームワークをさらに適応型APRAに拡張する。 PRAとAPRAの双方の最適性は、選択された公正度計量と追加制約の性質によらず、我々のアプローチの一般性と堅牢性を明確にする。 3つの実世界のアプリケーションに対する大規模な実験により、提案するフレームワークは、有効性とロバスト性の両方において、既存のベースラインを一貫して上回ります。

関連論文リスト

• Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
  我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。 次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。 大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
  論文  参考訳（メタデータ） (2026-06-20T07:52:46Z)
• Automatic Constraint Policy Optimization based on Continuous Constraint Interpolation Framework for Offline Reinforcement Learning [2.0719232729184145]
  オフライン強化学習(RL)は、パフォーマンスを形作るためのポリシー制約に依存している。 既存のほとんどのメソッドは単一の制約ファミリにコミットします。 本稿では,統合最適化フレームワークであるContinuous Constraint Interpolation (CCI)を提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:21:41Z)
• Beyond the Dirac Delta: Mitigating Diversity Collapse in Reinforcement Fine-Tuning for Versatile Image Generation [51.305316234962554]
  textbfDRIFT(textbfDivetextbfRsity-textbfIncentivized Reinforcement textbfFine-textbfTuning for Versatile Image Generation)を提案する。 DRIFTはタスクアライメントとジェネレーションの多様性に関して優れた優位性を達成し、9.08%!sim! 43.46%$多様性等価アライメントレベルの増加と59.65ドルとなる。
  論文  参考訳（メタデータ） (2026-01-18T13:25:43Z)
• 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)
• Risk-Averse Constrained Reinforcement Learning with Optimized Certainty Equivalents [29.698100324454362]
  制約付き最適化は強化学習(RL)における競合する目的を扱う共通のフレームワークを提供する 本稿では,最適化された確実性等価量(OCE)を用いて,報酬値と時間とともにステージごとの特性を示すリスク対応制約付きRLの枠組みを提案する。 本フレームワークは,パラメータ化された強ラグランジアン双対性フレームワークにおいて,適切な制約条件下での元の制約問題と正確に一致することを保証している。
  論文  参考訳（メタデータ） (2025-10-23T04:33:32Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Social Choice for Heterogeneous Fairness in Recommendation [9.753088666705985]
  推薦システムにおけるアルゴリズムの公正性は、様々な利害関係者のニーズによく注意する必要がある。 それまでの作業はしばしば、公正性の固定された単目的の定義によって制限されてきた。 我々の研究は、計算社会の選択の観点からのフェアネスを推奨する。
  論文  参考訳（メタデータ） (2024-10-06T17:01:18Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• Beyond Reverse KL: Generalizing Direct Preference Optimization with Diverse Divergence Constraints [26.274786600234876]
  大規模言語モデル(LLM)の能力の増大は、人工知能の機会を増大させるが、安全性の懸念を増幅する。 RLHFは、AIアライメントへの有望な経路として登場したが、複雑さと独立した報酬モデルへの依存により、課題を提起している。 DPOは代替として提案されており、逆KL正規化制約の下ではRLHFと等価である。 Jensen-Shannonの発散、forward KLの発散、$alpha$-divergencesなど、ある$f$-divergencesの下では、報酬と最適ポリシーの複雑な関係も単純化できることを示す。
  論文  参考訳（メタデータ） (2023-09-28T08:29:44Z)

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。