[論文レビュー] Group Fairness and Multi-Criteria Optimization in School Assignment

K. A. Santhini, Kamesh Munagala+2 more|arXiv (Cornell University)|Mar 22, 2024

Advanced Algebra and Logic被引用数 1

ひとこと要約

本稿では、凸計画の丸めを用いて、グループ公平性制約下での公平な学校割り当ての近似アルゴリズムを提示している。この手法により、gが人口統計的グループ数であるとき、O(g²)の容量超過で正確な割合配分と他の凹関数公平性目的関数を達成する。アプローチは実用的であり、実験的容量超過は理論的上限よりもはるかに低い。また、任意の制約を含む多基準最適化へも拡張可能である。

ABSTRACT

We consider the problem of assigning students to schools, when students have different utilities for schools and schools have capacity. There are additional group fairness considerations over students that can be captured either by concave objectives, or additional constraints on the groups. We present approximation algorithms for this problem via convex program rounding that achieve various trade-offs between utility violation, capacity violation, and running time. We also show that our techniques easily extend to the setting where there are arbitrary covering constraints on the feasible assignment, capturing multi-criteria and ranking optimization.

研究の動機と目的

• 学生が基数的効用を持ち、重複する人口統計的グループに属する状況下で、グループ公平性を扱う。
• 学校の容量超過を最小限に抑えながら、正確な公平性目的関数（例えば、割合配分、マキシミン公平性、ナッシュ福利）を達成する近似アルゴリズムを設計する。
• 可能な割当に任意の制約を含めるフレームワークを拡張し、多基準最適化を可能にする。
• 実際のインスタンスにおけるシミュレーションを通じて、本手法の実用性を示す。理論的上限よりもはるかに低い実験的容量超過が観察される。

提案手法

• 公平性目的関数をグループの効用に適用する凸計画として問題を定式化し、ナッシュ福利のためのlog関数や最小値を用いた凹関数を用いて公平性を捉える。
• 確率的丸め法（アルゴリズム1およびアルゴリズム3）を用いて、凸計画の分数解を整数割当に変換する。
• 公平性を保証するための加法的容量超過を導入し、合計でO(g²)の追加シートが必要であるという理論的上限を確立する。
• 最小容量超過を達成するための整数線形計画（ILP）ベンチマークを構築し、丸めベースの解と比較する。
• 重複する人口統計的グループと多様な学生効用を許容する。従来のモデルがグループを分割し、均一な好みを仮定していたのとは対照的である。
• 各学校に複数の制約を導入することで、学校側の好みをモデル化し、容量超過と制約超過の両方に加法的違反を許容する多目的最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 O(g²)の容量超過で抑えられる小さな容量超過を伴いながら、正確な割合配分を達成できるか？
• RQ2 現実的インスタンスにおいて、凸計画丸めの性能は、最適なILPベンチマークと比較して容量超過の点でどの程度か？
• RQ3 従来の研究とは異なり、重複する人口統計的グループと多様な学生効用を扱えるフレームワークか？
• RQ4 理論的容量超過上限O(g²)はタイトか、それともO(g)に改善可能か？
• RQ5 任意の制約を含む可能な割当に対して、多基準最適化に拡張可能か？

主な発見

• 提案された丸めアルゴリズムは、理論的上限（24）よりもはるかに低い容量超過を達成しており、アルゴリズム1の平均超過は2.3、アルゴリズム3は1.24であった。
• ベースラインとして用いられたILPベンチマークは平均0.66の容量超過を達成しており、丸め手法が実際にはほぼ最適に近い性能を示していることがわかる。
• 1000名の学生と10校のインスタンスにおいて、ILPおよび丸めアルゴリズムはすべて1分以内に実行可能であり、実用性が裏付けられた。
• LP解では平均21.73個の分数変数が存在しており、分数解がすでに整数解に近く、実験的超過が低い理由が説明される。
• 従来のモデルがグループを分割し、グローバル効用関数を仮定していたのに対し、本フレームワークは重複する人口統計的グループと多様な効用に一般化して成功している。
• 容量超過と制約超過の両方に加法的違反を許容する形で、任意の制約を含む学校割当に拡張可能であり、多基準最適化を支援する。