GAEA：基于强化学习的公平访问图增强方法
机器学习
2023-11-21 v2 人工智能
计算机与社会
社会与信息网络
摘要
不同子群体对资源的不平等获取是社会网络与社会技术网络中的普遍问题。例如，城市基础设施网络可能使某些种族群体更容易获取优质学校、杂货店和投票点等资源。类似地，大学和组织内的社交网络可能使某些群体更容易接触到具有有价值信息或影响力的人。本文引入一类新问题——公平访问图增强(GAEA)，通过在预算约束下编辑图边来增强网络系统的公平性。我们证明此类问题是NP难的，且不能在因子内被近似。我们为GAEA开发了一个基于马尔可夫奖励过程(MRP)的、有原则且样本与时间高效的机制设计框架。我们的算法在多种合成图上优于基线方法。我们进一步在真实世界网络上演示该方法：通过合并芝加哥市的公共人口普查、学校和交通数据集，并应用我们的算法寻找对公交网络的可人工解释编辑，从而增强跨种族群体对优质学校的公平访问。在大学Facebook网络上的进一步实验产生了一组新的社交连接，将增加跨性别群体对特定属性节点的公平访问。
引用
@article{arxiv.2012.03900,
title = {GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning},
author = {Govardana Sachithanandam Ramachandran and Ivan Brugere and Lav R. Varshney and Caiming Xiong},
journal= {arXiv preprint arXiv:2012.03900},
year = {2023}
}