公平算法设计：公平高效的机器调度
摘要：公平算法设计的强烈兴趣源自许多实际例子，其中自动决策算法导致了偏见。然而，公平性和效益之间往往存在两难选择：公平算法可能导致社会福利较低的解决方案，而优化福利的算法可能非常不公平。这个问题在机器调度问题中得到了体现，对于n个作业，任何公平解决方案的社会福利可能比最优福利差Omega(n)倍。本文证明了如果我们允许有微不足道的偏见，就可以克服公平性和效益之间的这种两难选择：存在既"几乎完美公平"又具有恒定效益比率的算法，即可以保证输出的解决方案与最优福利之间的社会福利有一个恒定的倍数关系。具体来说，对于任何epsilon > 0，存在具有效益比率Theta(1/epsilon)的机制，且没有任何个体比在最公平的解决方案中更糟糕超过epsilon倍（由不使用个人或类型数据的算法给出）。此外，这些双目标保证是紧束的，并适用于单机情况和多机情况。我们的结果的关键在于Pareto调度机制的使用。通过巧妙地使用个人或类型数据，这些机制能够利用对每个个体都有益的帕累托改进；而这种帕累托改进通常是被旨在满足标准统计公平性度量的公平调度算法所禁止的。我们预计这种范式，即公平算法通过巧妙使用个人数据来大大提高性能，其代价是微不足道的偏见，具有更广泛的应用前景。
作者：April Niu, Agnes Totschnig, Adrian Vetta
论文ID：2204.06438
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-07-13