We consider the problem of dividing limited resources to individuals arriving over $T$ rounds. Each round has a random number of individuals arrive, and individuals can be characterized by their type (i.e. preferences over the different resources). A standard notion of `fairness' in this setting is that an allocation simultaneously satisfy envy-freeness and efficiency. The former is an individual guarantee, requiring that each agent prefers their own allocation over the allocation of any other; in contrast, efficiency is a global property, requiring that the allocations clear the available resources. For divisible resources, when the number of individuals of each type are known upfront, the above desiderata are simultaneously achievable for a large class of utility functions. However, in an online setting when the number of individuals of each type are only revealed round by round, no policy can guarantee these desiderata simultaneously, and hence the best one can do is to try and allocate so as to approximately satisfy the two properties. We show that in the online setting, the two desired properties (envy-freeness and efficiency) are in direct contention, in that any algorithm achieving additive counterfactual envy-freeness up to a factor of $L_T$ necessarily suffers a efficiency loss of at least $1 / L_T$. We complement this uncertainty principle with a simple algorithm, HopeGuardrail, which allocates resources based on an adaptive threshold policy and is able to achieve any fairness-efficiency point on this frontier. In simulation results, our algorithm provides allocations close to the optimal fair solution in hindsight, motivating its use in practical applications as the algorithm is able to adapt to any desired fairness efficiency trade-off.


翻译:我们认为,将有限的资源分给抵达超过美元回合的个人的问题。每回合都有随机抵达的人数,个人可以以其类型(即对不同资源的偏好)为特征。在这一背景下,“公平”的标准概念是,分配同时满足不嫉妒和提高效率。前者是个人保障,要求每个代理商更愿意自己分配,而不是分配其他任何机构;相反,效率是一种全球财产,要求分配能够清除现有资源。对于可变资源而言,当每个类型个人的数量在前头已知的公平性时,对于大型公用事业功能而言,上述偏差是可以同时实现的。然而,在网上设置中,当每类个人的数量只是一轮地披露时,没有政策能够同时保证这些偏差和效率。 前者是个人担保,要求每个代理商更愿意自己分配自己的资源,以大致满足这两个属性。 而在网上设置中,两种理想的(可自由性和效率)是直接争议的,在任何算法中实现最不真实的不值得信赖的不值得信赖的公平性应用。 在一个在线设置中,一个基于美元-T值原则的效率标准上,即我们能够实现一种效率效率,一个效率,一个效率,即我们作为一个效率,一个基于美元-美元-美元-美元-美元-美元-美元-美元-美元-美元-美元-美元-水平的计算,一个效率原则的计算,一个效率的计算,一个效率的计算,一个效率,一个效率,一个效率标准,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,我们可以使这个效率,一个效率,一个效率,一个效率,一个效率作为一个效率,一个效率作为一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个,一个,一个,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个效率,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个,一个

0
下载
关闭预览

相关内容

因果推断,Causal Inference:The Mixtape
专知会员服务
105+阅读 · 2021年8月27日
专知会员服务
50+阅读 · 2020年12月14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
意识是一种数学模式
CreateAMind
3+阅读 · 2019年6月24日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年12月31日
Arxiv
0+阅读 · 2021年12月30日
Arxiv
0+阅读 · 2021年12月30日
Arxiv
0+阅读 · 2021年12月28日
VIP会员
相关资讯
意识是一种数学模式
CreateAMind
3+阅读 · 2019年6月24日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员