[논문 리뷰] Group-level Fairness Maximization in Online Bipartite Matching

Will Ma, Pan Xu외 1명|arXiv (Cornell University)|2020. 11. 27.

Optimization and Search Problems참고 문헌 35인용 수 21

한 줄 요약

이 논문은 보호 그룹 간 공정한 서비스 비율을 보장함으로써 그룹 수준의 공정성을 극대화하기 위해 온라인 이분 매칭 알고리즘을 제안한다. 장기 및 단기 공정성 지표를 도입하여, 다양한 공급-수요 환경에서 점점 최적에 수렴하는 두 휴리스틱인 Sampling 및 Pooling을 제시한다. 일반적인 경우에서 경쟁 비율은 0.632에서 0.732 사이이며, 단기 공정성의 경우 최대 0.942에 이를 수 있다.

ABSTRACT

We consider the allocation of limited resources to heterogeneous customers who arrive in an online fashion. We would like to allocate the resources "fairly", so that no group of customers is marginalized in terms of their overall service rate. We study whether this is possible to do so in an online fashion, and if so, what a good online allocation policy is. We model this problem using online bipartite matching under stationary arrivals, a fundamental model in the literature typically studied under the objective of maximizing the total number of customers served. We instead study the objective of maximizing the minimum service rate across all groups, and propose two notions of fairness: long-run and short-run. For these fairness objectives, we analyze how competitive online algorithms can be, in comparison to offline algorithms which know the sequence of demands in advance. For long-run fairness, we propose two online heuristics (Sampling and Pooling) which establish asymptotic optimality in different regimes (no specialized supplies, no rare demand types, or imbalanced supply/demand). By contrast, outside all of these regimes, we show that the competitive ratio of online algorithms is between 0.632 and 0.732. For short-run fairness, we show for complete bipartite graphs that the competitive ratio of online algorithms is between 0.863 and 0.942; we also derive a probabilistic rejection algorithm which is asymptotically optimal in the total demand. Depending on the overall scarcity of resources, either our Sampling or Pooling heuristics could be desirable. The most difficult situation for online allocation occurs when the total supply is just enough to serve the total demand. We simulate our algorithms on a public ride-hailing dataset, which both demonstrates the efficacy of our heuristics and validates our managerial insights.

연구 동기 및 목표

• 공급 또는 수요의 불균형으로 인해 보호 그룹이 간과당할 수 있는 온라인 자원 할당에서의 공정성 문제를 해결하기 위해.
• 공정성의 모델링을 총 매칭 수가 아니라 모든 그룹 간 최소 서비스 비율로 간주함으로써 장기 공정성과 단기 공정성 간의 차이를 명확히 하기 위해.
• 공정성 목표 하에서 온라인 알고리즘과 오프라인 최적 알고리즘 간의 성능 격차를 경쟁 비율 분석을 통해 평가하기 위해.
• 실제 응용 분야인 라이드셰이링 플랫폼 등에서 공정성과 효율성을 균형 잡는 실용적인, 거의 최적의 휴리스틱을 개발하기 위해.
• 공개된 라이드셰이링 데이터셋을 활용한 시뮬레이션을 통해 이론적 결과를 검증하고, 시스템의 공급 부족 정도에 따라 알고리즘 선택에 대한 관리적 통찰을 제시하기 위해.

제안 방법

• 장기 공정성(시간에 따라 모든 그룹의 최악의 서비스 비율을 최소화)과 단기 공정성(분수 할당을 고려한 매일의 최악의 서비스 비율을 최소화)이라는 두 가지 공정성 목표를 도입한다.
• 사용 가능한 오프라인 에이전트 중에서 무작위로 선택하는 Sampling(SAMP) 휴리스틱과, 그룹 간에 공통된 능력을 유지하는 Pooling(POOL) 휴리스틱을 제안한다.
• 선형계획법 풀이(예: LP (3) 및 LP (9))를 활용해 온라인 알고리즘 성능을 오프라인 최적 기준과 비교함으로써 경쟁 비율을 분석한다.
• 경쟁 비율에 대한 이론적 경계를 유도한다: 일반적인 경우에서는 0.632에서 0.732 사이이며, 완전 이분 그래프에서 단기 공정성의 경우 최대 0.942까지 가능하다.
• 고공급 총 수요 하에서 점점 최적에 수렴하는 확률적 기각 알고리즘을 개발하여 단기 공정성에 대해 점점 최적의 성능을 달성한다.
• 실제 라이드셰이링 데이터셋을 기반으로 한 시뮬레이션을 통해 알고리즘 성능과 다양한 공급-수요 불균형 상황에서의 관리적 통찰을 검증한다.

실험 결과

연구 질문

• RQ1 온라인 이분 매칭에서 그룹 수준의 공정성을 고려할 때, 온라인 알고리즘의 경쟁 비율은 오프라인 최적 알고리즘 대비 어떻게 되는가?
• RQ2 간단한 온라인 휴리스틱이 장기 및 단기 공정성 목표 하에서 거의 최적의 공정성을 달성할 수 있는가?
• RQ3 공급-수요 균형, 최소 서비스 용량, 도착률로 측정되는 시스템의 공급 부족 정도는 온라인 공정성 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ4 Sampling 및 Pooling 휴리스틱이 Greedy 및 Ranking과 같은 표준 알고리즘보다 우월한 조건은 무엇인가?
• RQ5 선입선출 원칙을 위반하지 않고도 온라인 공정성을 유지할 수 있으며, 이는 공정성과 효율성 간의 상충 관계는 어떠한가?

주요 결과

• Sampling(SAMP-S) 휴리스틱은 장기 공정성에서 최소 $1 - 1/e \thickapprox 0.632$의 경쟁 비율을 확보하며, 공급이 수요를 초과할수록 거의 최적에 수렴한다.
• 단기 공정성의 경우, 온라인 알고리즘의 경쟁 비율은 0.863에서 0.942 사이로 제한되며, 확률적 기각 알고리즘이 고공급 총 수요 하에서 점점 최적의 성능을 달성한다.
• 총 공급이 총 수요를 정확히 충족할 경우, 경쟁 비율은 최소 0.632로 떨어지며, 이는 온라인 공정성에 있어 가장 어려운 환경임을 시사한다.
• 비균일한 그룹 환경에서는 서비스 용량 $b \to \infty$일 때 SAMP 휴리스틱이 다른 알고리즘보다 뛰어나며, 도착률 $\lambda \to \infty$일 땐 RESERVE가 가장 우수하다.
• 실제 라이드셰이링 데이터셋을 활용한 시뮬레이션 결과, SAMP와 RESERVE는 Greedy, Ranking, MGS보다 공정성 지표에서 뚜렷이 뛰어나며, 특히 $b$와 $\lambda$가 높을 경우 두드러진다.
• 공급 용량 $b$ 또는 도착률 $\lambda$가 증가함에 따라 경쟁 비율은 1에 수렴하며, 이는 시스템 용량 또는 수요가 클수록 공정성이 달성하기 쉬워짐을 확인한다.