Mar, 2022

区划重心的集中公正化

PDF
TL;DR通过引入一族良好动机的距离度量方法，我们提出了一种寻找最具代表性的选区地图的新方法，在绘制选区地图时实现良好的方法。我们展示了一种可伸缩的、线性时间算法，并推导了样本复杂度保证。我们发现这种方法的一个副产品是能够检测到选区中的区块操纵地图，因为它们在距离方面的 “离群值映射” 中被发现。
representative democracypartisan gerrymanderingdistrict mapsredistricting mapsoutlier maps
发现论文，激发创造
  • 基于抽样的学校边界设计技术

    本文研究对学校边界的采样技术，以便作为比较本地搜索的区划算法的基线，并帮助推断问题特征，从而开发高效的划区方法。

    Jun, 2022

  • 分区平面图算法

    计算复杂性、选区分割、地图重新划分问题、平面图和逼近算法。

    Dec, 2023

  • 多尺度并行变温快速采样的选区规划

    审计选区规划中的一个有说服力的方法是将该方案与一组中立绘制的选区计划进行比较，这些集合是通过在平衡的图分割上采样分布的算法生成的。我们生成了一种多尺度并行退火方法，在每个尺度上进行局部移动，该方法允许采用多种基于政策的衡量标准。我们在康涅狄格州进行了实证研究，并成功在前所未有的尺度上对尚未采样的基于政策的分布进行快速混合。我们的算法显示出扩展到更广泛的衡量标准的潜力，这将 (i) 允许更有原则性和情境基础的比较，并 (ii) 探索政策对选区划分的典型党派影响。

    Jan, 2024

  • 防止公平选区操纵：小组公平审计与学习

    在机器学习中，通过使用受保护的属性定义的结构化函数类来提议一种新的公平统计定义，从而语义上定义了指数级（或无限个）子组内的统计不变性，并证明了公平子组审核的计算问题与弱自适应学习问题等价，提出了两种算法，证明了这些算法在解决自治学习问题的情况下可以收敛，其中第二种方法具有简单和更快的步骤计算的优点。

    Nov, 2017

  • 通过公平的群组表达进行公平聚类

    本文研究了公平聚类的结构、计算及近似算法，并提出了群组代表性聚类的思想，旨在解决公平聚类与聚类代表性之间的矛盾问题。

    Jun, 2020

  • 投票者激情意识极大地提高了度量社会选择的失真度

    该研究开发了一种新的投票机制，旨在选择能够最大程度降低社会成本（即选民与候选人之间的总距离）的候选人，并量化了关于候选人失真度和投票者偏好力量信息之间的权衡。

    Jun, 2019

  • 度量空间中的比例代表与低失真委员会选取

    我们引入了一种新的定义，即在度量空间中，对于一个要表示的集合 V（如文件或选民）和一组可能的代表 C，我们的标准要求对于 V 的任何包含 theta 分数的子集 S，S 到其在 R 中最佳的 theta*k 个点的平均距离与其到 C 中所有点的最佳 theta*k 个点的平均距离相比，不超过一个因子 gamma。

    Dec, 2023

  • 投票与设施选址

    研究候选人选择机制以最小化社会成本，探讨候选人与选民在某种度量空间中的关系，颗粒度由投票机制，排名机制和位置机制决定，并且在真实情况和简化情况下量化了效率，真实性和简洁性之间的平衡。

    Dec, 2015

  • 通过投影消除偏差的主要公平性

    在算法数据分析中，通过随机投影到 “公平” 子空间来减少数据中的偏差，我们将这种方法应用于最密子图问题，理论上和实验上都可以恢复一个几乎最优、公平、稠密的子图，并通过匹配逼近上界展示该问题的 NP - 难度特性。

    May, 2019

  • 在人道主义地图绘制中评估机器学习的公正性

    通过使用机器学习和卫星技术进行人道主义地图制作可以及时准确地识别需要帮助的人群，但是从空间进行人道主义制图的算法决策公平性和透明度的问题是这些方法在实践中应用的一个重要障碍，本研究以印度为例通过夜间灯光数据使用线性回归和随机森林算法制图并分析调查结果，发现贫困被系统性地高估，电气化则被系统性地低估，这将影响人道主义制图应用的多个方面并对政策目标产生负面影响。

    Aug, 2021