A major problem in fair division is how to allocate a set of indivisible resources among agents fairly and efficiently. We give optimal tradeoffs between fairness and efficiency, with respect to well-studied measures of fairness and efficiency -- envy freeness up to any item (EFX) for fairness, and Nash welfare for efficiency. Our results improve upon the current state of the art, for both additive and subadditive valuations. For additive valuations, we show the existence of allocations that are simultaneously $\alpha$-EFX and guarantee a $\frac{1}{\alpha+1}$-fraction of the maximum Nash welfare, for any $\alpha\in[0,1]$. For $\alpha\in[0,\varphi-1 \approx 0.618]$ these are complete allocations (all items are assigned), whereas for larger $\alpha$ these are partial allocations (some items may be unassigned). We partially extend this to subadditive valuations where we show the existence of complete allocations that give $\alpha$-EFX and a $\frac{1}{\alpha+1}$-fraction of the maximum Nash welfare (as above), for any $\alpha\in[0,1/2]$. We also give impossibility results that show that our tradeoffs are tight, even with respect to partial allocations.


翻译:公平分工中的一个主要问题是,如何在代理人之间公平和高效地分配一系列不可分割的资源。我们在公平和效率方面,在公平和效率方面,我们给公平和效率之间的最佳权衡 -- -- 嫉妒任何项目(EFX)的公平性和效率,以及纳什的效益。我们的成果在最新水平上有所改进,包括添加值和追加值。对于添加值和追加值,我们显示了同时存在美元-EFX的分配款,并保证在任何经充分研究的公平和效率措施方面,在公平和效率之间,我们给公平和效率之间的最佳权衡 -- -- 嫉妒自由至任何项目(EFX)的公平性,以及纳什的效益。对于[0,\varphi-1\approx 0.618]美元,这些是完整的分配款(所有项目都被分配),而对于较大的美元是部分分配款(有些项目可能未被分配款)。我们部分地将这一分配款扩大到了次追加估值,因为我们展示了给予美元-EFX+1+1美元和1美元最高纳什福利的全额分配款,我们也是对最高分配款的全额分配款。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
VIP会员
相关VIP内容
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员