May, 2023

一个集体决策序列的 Leximin 方法

PDF
TL;DR本文分析了三种决策机制：轮流执行、最大 Nash 福利和 leximin，并考虑了比例公正性及其放宽的公正性概念。研究表明，在离线设置中，三种机制都不能保证比例或近似比例结果，因此引入了一种新的公正标准，并表明 leximin 机制的变体满足新的公正标准。在在线设置中，不可能保证比例或其放宽条件，因此考虑了对应代理偏好的自然限制，并表明 leximin 机制保证最佳可能的加性逼近比例性并满足比例性的所有放宽条件。
decision-making mechanismsfairness notionsproportionalityleximin mechanismonline settings
发现论文，激发创造
  • 公平的公共决策制定

    本文将不可分割资源公平分配的问题扩展到了一个决策必须在多个社会问题上同时做出的公平公共决策问题，并引入了三种新的松弛解法，最终证明了最大纳什福利解决方案适用于所有三个松弛解法，并提供了满足这些公理的分配的多项式时间算法和难度结果。

    Nov, 2016

  • 关于最大化最小份额分配的诚实机制

    本文研究了一种公平分配问题，即计算最大最小份额分配。通过机制设计方法，提出了三种关于机制试图引导玩家了解其偏好的信息模型，并对每个模型进行积极和消极（不可能性）结果的阐述，最后特别关注了两位玩家的情况，提出了挑战性的问题。

    May, 2016

  • 最小化群体公平性：算法和实验

    本文介绍了一个最小化最大损失的策略，用于处理团体公平性，并提供了能够支持回归、分类设置以及整体错误和误报率的相关算法。该算法还支持公平性约束的松弛，进一步研究了整体准确性与最小化最大公平性之间的权衡，并对多种数据集进行了实验分析，证明了最小化最大公平性严格和强烈优于平等结果概念。

    Nov, 2020

  • 最大最小公平排名：在群体公平约束下的个体公平

    针对排名中的公平性问题，我们提出一种基于分配式最小最大公平理论的算法，旨在通过随机化策略，尽可能地减少个体不公平带来的损失，并确保在满足给定群体公平性约束的同时，能够使尽可能多的个体获得最大的收益。

    Jun, 2021

  • 实现序列决策中的长期公平性

    本文提出了一种框架，以实现长期公平的顺序决策制定。通过进行强制性和软性干预，我们提出了将路径特定效应作为测量长期公平性的定量工具的方法。公平的顺序决策制定问题被规定为一个以效用为目标、长期和短期公平性为约束条件的约束优化问题。我们展示了这样一个优化问题可以被转化为一个执行风险优化。最后，使用了重复风险最小化（RRM）进行模型训练，并在理论上分析了 RRM 的收敛性。经验证实，该算法在合成和半合成的时间数据集上表现良好。

    Apr, 2022

  • 序贯决策的比例聚合偏好

    研究公平的顺序决策问题，提出了三种有吸引力的选举规则，证明它们确实满足基于比例正当理由的公理，包括基于 α 和 β 的增强版本，同时展示了它们在合成数据和美国政治选举中的性能。

    Jun, 2023

  • 公平性与序贯决策：局限性、教训和机遇

    本文比较和讨论了算法公平性和道德决策制定两个主要领域的研究成果，探讨了其规范关切、不同技术方案的可行性，并阐述了两种领域对对方有用的思想。

    Jan, 2023

  • 公平混合：二分偏好的情况

    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

  • 提升人类决策的准确性和公正性

    本文从序列决策的角度出发，通过优化专家分配提高决策的准确性和公正性，并展示了该方法在合成数据和真实世界数据中的有效性。

    May, 2018

  • 公正、抗操纵和透明的抽签

    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