Modeling and shaping how information spreads through a network is a major research topic in network analysis. While initially the focus has been mostly on efficiency, recently fairness criteria have been taken into account in this setting. Most work has focused on the maximin criteria however, and thus still different groups can receive very different shares of information. In this work we propose to consider fairness as a notion to be guaranteed by an algorithm rather than as a criterion to be maximized. To this end, we propose three optimization problems that aim at maximizing the overall spread while enforcing strict levels of demographic parity fairness via constraints (either ex-post or ex-ante). The level of fairness hence becomes a user choice rather than a property to be observed upon output. We study this setting from various perspectives. First, we prove that the cost of introducing demographic parity can be high in terms of both overall spread and computational complexity, i.e., the price of fairness may be unbounded for all three problems and optimal solutions are hard to compute, in some case even approximately or when fairness constraints may be violated. For one of our problems, we still design an algorithm with both constant approximation factor and fairness violation. We also give two heuristics that allow the user to choose the tolerated fairness violation. By means of an extensive experimental study, we show that our algorithms perform well in practice, that is, they achieve the best demographic parity fairness values. For certain instances we additionally even obtain an overall spread comparable to the most efficient algorithms that come without any fairness guarantee, indicating that the empirical price of fairness may actually be small when using our algorithms.


翻译:模拟和塑造如何通过网络传播信息是网络分析的一个主要研究课题。虽然最初的重点主要是效率问题,但最近也考虑到公平标准。大多数工作都集中在最高标准上,因此,不同群体可以得到非常不同的信息分享。我们建议,在这项工作中,将公平视为一个概念,由算法来保障,而不是作为最大化的标准。为此,我们提出三个优化问题,目的是最大限度地扩大总体传播,同时通过限制(事后或事后)执行严格水平的人口均等公平。因此,公平程度成为用户的选择,而不是产出所要观察的财产。我们从不同角度研究这一背景。首先,我们证明采用人口均等的代价在总体分布和计算复杂性方面都很高,也就是说,公平价格可能对所有三个问题都没有限制,而最佳解决办法则难以理解,在某些情况下,甚至可能违反公平性限制。对于我们的问题之一,我们仍在设计一种具有固定近似因素和公平性的价值,而不是产出所要观察的财产。首先,我们从各种角度来研究这一因素。首先,我们证明,从总体的传播和计算复杂程度看,即公平性的代价可能不受限制。我们从某种高度的逻辑上看,我们选择一种最有一定的公平性的方法。我们用一种最接近性的方法来证明,一种最接近性的方法。我们用一种最接近性的方法来证明,一种最接近性的方法来证明,一种最接近性地进行一种比较性地进行一种比较性的算法的研究。我们的行为是,一种最有两种方法来证明。我们用一种最有两种方法来进行一种最接近性地进行一种比较性的行为。我们的行为。我们的一种方法来进行一种比较性的研究。我们的一种方法来进行一种比较性的研究。我们的一种方法来进行一种比较性的研究。我们的一种方法,一种比较性的方法是,一种方法进行一种比较性的方法是进行一种比较性的研究。我们用一种比较性的方法,一种比较性的研究。我们的一种方法,一种比较性的方法是比较性的方法,一种方法,一种比较性的方法,一种比较性的研究。我们用一种比较性的方法,一种比较性的方法,一种比较性的方法是比较性的方法是比较性的方法,一种比较性的方法,一种比较性的方法,一种比较性的方法,一种比较性的方法,一种比较性的方法,一种比较性的方法是一种方法,一种方法,一种比较性的方法,一种方法,一种方法,一种方法,一种比较性地方法,</s>

0
下载
关闭预览

相关内容

NeurlPS 2022 | 自然语言处理相关论文分类整理
专知会员服务
48+阅读 · 2022年10月2日
专知会员服务
17+阅读 · 2020年9月6日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26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
IJCAI2022推荐系统论文集锦
机器学习与推荐算法
0+阅读 · 2022年5月20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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015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 · 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
0+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
1+阅读 · 2008年12月31日
Arxiv
14+阅读 · 2020年12月17日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
Arxiv
38+阅读 · 2020年3月10日
VIP会员
相关资讯
IJCAI2022推荐系统论文集锦
机器学习与推荐算法
0+阅读 · 2022年5月20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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015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 · 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
0+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
1+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员