最佳公正选择
该论文介绍了一种新的算法 - PeerNomination,用于提高同行评议的公正性,避免个体代理的干扰,适用于资源分配、机制设计等领域,并在多个度量标准下在实证研究中取得更高的准确性。
Apr, 2020
针对同行评议在科学、社会和商业领域的广泛应用,本研究提出了一种策略诚实、有效的同行选择机制,并通过模拟比较和随机取整技术解决了资源分配等相关问题。
Apr, 2016
我们研究了多个决策者下因果战略学习中的代理选择问题,并解决了相应的两个关键挑战。首先,我们考虑了代理评估和选择过程的影响,发现最佳选择规则在选择最佳代理和提供激励以促进代理改善之间存在权衡。此外,最佳选择规则依赖于代理结果的错误预测。然后,我们研究了决策者的最佳选择规则不会导致代理结果恶化或不公正减少代理选择机会的条件。其次,当存在多个决策者时,选择规则之间的干扰引入了估计潜在因果参数的另一个偏倚来源。为解决这个问题,我们提供了一个合作协议,所有决策者必须共同采用以恢复真实的因果参数。最后,我们通过模拟研究补充了理论结果。我们的结果不仅凸显了因果建模作为减轻操纵效应的策略的重要性,正如以前的工作所建议的,还凸显了需要一位慈善的监管者来使其成为可能。
Aug, 2023
选择公民代表的随机抽签方法,被越来越多地用于世界各地的议政过程,如公民代表会议。最近的研究集中在抽签算法,其任务是从志愿者中选择一个小组。该小组必须满足代表关键人口子群的配额。我们提出了一个新的平等目标,Goldilocks,旨在通过确保志愿者的被选择机会既不过少也不过多,同时达到这些理想。我们在理论上限制了 Goldilocks 实现这些理想的程度,并发现在某种重要意义上,Goldilocks 在给定实例中能够找到最佳解决方案之一。我们将我们的界限延伸到 Goldilocks 输出被转换以实现第三个目标:透明度。我们对真实数据中 Goldilocks 的实证分析更加令人鼓舞:我们发现在大多数实例中,该目标几乎同时实现了实例最优的最小和最大选择概率,这甚至不被任何算法保证是可能的。
Jun, 2024
通过解决难以计算的无限机会约束程序,提出了一种多阶段框架,用于从观测数据中学习公平策略,该问题与公司招聘、贷款批准或保释决策等高风险领域中的选择相关,我们专注于可解释的线性选择规则,并通过解决混合二次锥优化问题获得了组合评价的解决方案,与现有的选择策略相比,在精确度方面提高了 11.6%,在不公平度方面减少了 38%。
Dec, 2023
本文提出了一种新型的随机子集选择框架,用于解决机器学习算法中存在的偏见或歧视问题,该框架结合了群体公平和最优化的因素,具有广泛的应用前景和优化效果。
Apr, 2023
在给定的有向图中选择一个大小为 k 的代理人子集,将入度之和最大化,并设计不需要付款的机制以满足策略无关性和近似最优性约束。具有近似比例边界的策略无关机制的近似比例上限为四对于任何 k 值,并随着 k 的增加逼近一。
Oct, 2009
讨论了三个优秀的投票规则,其中条件功利规则是一个策略性稳健且容易计算的规则,其最坏和平均效率在代理人数量较小时都是低的,而效率最高的 Nash Max Product 规则虽然可以实现任何联盟的最强福利保障,但不符合排斥策略性稳健性,而有效的平等主义规则保护个体代理人但不保护联盟。
Dec, 2017