在线资源分配中的公平促进
研究了将稀缺的社会资源分配给异质性申请人的问题,根据观察到的协变量设计了一种在线政策,以满足预算限制并最大化预期结果,并通过数据驱动的政策几乎确定渐近实现了最佳样本外政策的预期结果,并扩展了包括各种公平约束的框架。
Nov, 2023
本研究旨在探讨政府和非营利组织在任务为需要实现顺序并且可能相关的代理人之间公平高效地分配社会福利时所面临的分配难题,特别是在 COVID-19 流行病期间的类似情况下发现最小填充率上限和最小预期填充率的方法是什么,我们提出了一个简单的自适应政策 -- 投影比例分配,该政策可以同时实现最佳的 ex-post 和 ex-ante 公平,通过对 COVID-19 医疗用品的二元 SEIR 模型进行数值研究,我们发现 PPA 政策显著优于其理论保证以及最佳目标填充率政策。
Feb, 2021
针对 COVID-19 疫苗分配中存在的易受影响却难以获得疫苗的弱势群体,我们形式化并研究了资源分配问题,标识出减少资源差距作为关键目标,并展示其作为更复杂后续影响的替代指标的作用。我们提出了一种具体的访问模型,有助于量化给定分配对有利群体和不利群体之间的资源流动,基于他们之间的访问差距。然后,我们提供了一种访问感知的分配方法。直观地说,得到的分配利用更多疫苗在易受影响人口更多的地区以减少访问差距和整体不公。出乎意料的是,进行访问感知的分配通常不需要了解访问差距。为了支持这个形式化表示,我们提供了我们的访问模型的经验证据,并展示了访问感知的分配可以显著减少资源差距,从而改善后续结果。我们在县级、州级、国家级和全球级别展示了这一点。
Jan, 2024
研究了在线分配问题,通过创建不对称性来控制重用性引起的随机依赖,并建立了一个新算法,获得了最佳竞争比率。(The paper studies the problem of online allocation and proposes a new algorithm that creates asymmetry to control the stochastic dependencies induced by reusability, achieving the best possible competitive ratio.)
Feb, 2020
研究利用观察数据,设计有效的、公正的、可解释的政策,将异质人群分配到不同类型的资源。将此问题建模为多类多服务器排队系统,提出了一种基于因果推论技术的方法来构建个人队列,并提供混合整数优化公式以最优化资源分配资格结构。在实验中发现,本研究框架可以提高对少数族裔和未成年人等弱势群体的解救率,同时使等待时间更短。
Jan, 2022
本文提出一个数学模型以创造具有代表性的数据来解决机器学习模型在非代表性数据集上产生的问题。我们将数据集创建问题形式化为一个约束优化问题,并提出了一种灵活的方法,它包含模型构建者和其他利益相关者的偏好,以及学习任务的统计特性。此外,我们证明,在一定条件下,即使没有关于学习率的先前知识,该优化问题也可以高效地求解。通过在合成基因组数据上进行的模拟研究,我们发现我们提出的自适应采样策略优于多种常用的数据收集启发式算法,包括等量和比例采样,并证明了通过策略数据集设计构建公平模型的价值。
Jan, 2022
本文提供了动态策略,用于在多个时期中在社区之间重新分配有限资源以最大限度地实现公平性,并演示了其在撒哈拉以南国家的医疗保健和教育补贴设计中的可行性。研究表明,在考虑其他因素的情况下进行的妥协可能会促进社会结果的不平等。
Jun, 2022
提出了一种新的策略,即利用网约车服务将弱势群体与最近的公共交通联系起来,建立了一种线性规划模型,优化社会公平,并设计了一个基于 LP 的舍入算法,在真实数据上测试了算法的有效性。
Nov, 2022