从观测数据学习资源分配策略及其在无家可归者服务递送中的应用
机器学习
2022-06-07 v2 计算机与社会
摘要
我们研究从观测数据中学习公平且可解释的策略，以将异质个体有效匹配到不同类型的稀缺资源。我们将该问题建模为一个多类多服务台排队系统，其中个体与资源均随时间随机到达。每个个体到达时被分配到一个队列中等待与资源匹配。资源依据编码各队列可用资源类型的资格结构，以先到先服务（FCFS）方式分配。我们提出一种基于现代因果推断技术的方法论，用于构建个体队列并学习匹配结果，同时给出混合整数优化（MIO）公式以优化资格结构。该 MIO 问题在等待时间与公平性约束下最大化策略结果，其灵活性很高，允许附加线性领域约束。我们使用合成与真实数据进行了广泛分析。特别地，我们利用美国无家可归者管理信息系统（HMIS）的数据评估了我们的框架。我们获得了与 FCFS 策略一样低的等待时间，同时提高了服务不足或脆弱群体的无家可归退出率（黑人个体提高 7%，17 岁以下者提高 15%）及总体退出率。
引用
@article{arxiv.2201.10053,
title = {Learning Resource Allocation Policies from Observational Data with an Application to Homeless Services Delivery},
author = {Aida Rahmattalabi and Phebe Vayanos and Kathryn Dullerud and Eric Rice},
journal= {arXiv preprint arXiv:2201.10053},
year = {2022}
}
备注
20 pages, 13 figures, Accepted at ACM Conference on Fairness, Accountability, and Transparency (ACM FAccT)