固定置信度下的公平最佳臂识别
机器学习
2024-09-02 v1 人工智能
摘要
在这项工作中,我们提出了一个在公平性约束下的最佳臂识别(BAI)新框架,我们将此设置称为 \textit{F-BAI}(公平 BAI)。传统BAI仅关注以最小样本复杂度识别最优臂,而F-BAI还包含一组公平性约束。这些约束对每个臂的选择率施加了下限,并且可以是模型无关的或模型相关的。对于此设置,我们建立了实例特定的样本复杂度下界,并分析了 \textit{公平性代价},量化了公平性如何影响样本复杂度。基于样本复杂度下界,我们提出了 F-TaS 算法,该算法可证明匹配样本复杂度下界,同时确保满足公平性约束。使用合成模型和实际无线调度应用进行的数值结果表明,F-TaS 在最小化样本复杂度的同时实现了较低的公平性违规,展示了其高效性。
引用
@article{arxiv.2408.17313,
title = {Fair Best Arm Identification with Fixed Confidence},
author = {Alessio Russo and Filippo Vannella},
journal= {arXiv preprint arXiv:2408.17313},
year = {2024}
}