以数据质量换取价格以实现公平在线分配
机器学习
2023-12-05 v2
摘要
我们考虑受长期公平性惩罚约束的在线分配问题。然而，与现有工作相反，我们并不假设决策者能观测到受保护属性——这在实际中往往不现实。相反，他们可以购买有助于从不同质量来源估计这些属性的数据，从而以一定代价降低公平性惩罚。我们将此问题建模为一个多臂老虎机问题，其中每个臂对应于一个数据源的选择，并与在线分配问题相耦合。我们提出一种联合求解这两个问题的算法，并证明其 regret 以 为界。一个关键难点在于，选择某一数据源所获得的奖励因公平性惩罚而相关，这导致需要随机化（尽管是在随机设定下）。我们的算法考虑了源选择前可用的上下文信息，并能适应多种不同的公平性概念。我们还展示了在某些情形下，所使用的估计值可以动态学习。
引用
@article{arxiv.2306.13440,
title = {Trading-off price for data quality to achieve fair online allocation},
author = {Mathieu Molina and Nicolas Gast and Patrick Loiseau and Vianney Perchet},
journal= {arXiv preprint arXiv:2306.13440},
year = {2023}
}