面向食物救助志愿者参与的情境预算多臂偏置问题
机器学习
2025-09-16 v1 人工智能
计算机与社会
摘要
基于志愿者的食物救助平台通过匹配剩余食物来解决食物浪费问题。这些平台面临两个问题：维持志愿者参与度和最大化被救助食物的数量。现有算法改善志愿者参与度会加剧地理差异，使某些社区系统性受挫。我们通过提出情境预算多臂偏置问题来解决此问题。情境预算多臂偏置问题将基于情境的预算分配融入可休眠多臂偏置问题中，这一决策模型允许臂状态可变。如此一来，我们即可为匹配率较低的社区分配更高预算，从而缓解地理差异。为解决此问题，我们开发了一个在实证上快速的启发式算法。由于当活跃志愿者稀缺时，启发式算法可能实现较差的近似解，我们设计了 Mitosis 算法，保证计算最优预算分配。我们在合成数据和真实世界食物救助数据集上实证地表明，我们的算法在基线上 outperform，并且展示了我们的算法如何在食物救助中实现地理公平性。
引用
@article{arxiv.2509.10777,
title = {Contextual Budget Bandit for Food Rescue Volunteer Engagement},
author = {Ariana Tang and Naveen Raman and Fei Fang and Zheyuan Ryan Shi},
journal= {arXiv preprint arXiv:2509.10777},
year = {2025}
}