[논문 리뷰] Online Social Welfare Function-based Resource Allocation

Kanad Pardeshi, Samsara Foubert외 1명|arXiv (Cornell University)|2026. 02. 01.

Advanced Bandit Algorithms Research인용 수 0

한 줄 요약

본 논문은 고정된 모집단에 대한 온라인 자원 할당을 사회적 복지 함수(SWFs)를 사용하여 형식화하고, 신뢰 구간 프레임워크와 SWF-UCB 알고리즘을 제시하여 세 가지 SWF 가족(Weighted Power Mean, Kolm, Gini)에 대한 거의 최적에 가까운 후회 보장을 제공합니다.

ABSTRACT

In many real-world settings, a centralized decision-maker must repeatedly allocate finite resources to a population over multiple time steps. Individuals who receive a resource derive some stochastic utility; to characterize the population-level effects of an allocation, the expected individual utilities are then aggregated using a social welfare function (SWF). We formalize this setting and present a general confidence sequence framework for SWF-based online learning and inference, valid for any monotonic, concave, and Lipschitz-continuous SWF. Our key insight is that monotonicity alone suffices to lift confidence sequences from individual utilities to anytime-valid bounds on optimal welfare. Building on this foundation, we propose SWF-UCB, a SWF-agnostic online learning algorithm that achieves near-optimal $ ilde{O}(n+\sqrt{nkT})$ regret (for $k$ resources distributed among $n$ individuals at each of $T$ time steps). We instantiate our framework on three normatively distinct SWF families: Weighted Power Mean, Kolm, and Gini, providing bespoke oracle algorithms for each. Experiments confirm $\sqrt{T}$ scaling and reveal rich interactions between $k$ and SWF parameters. This framework naturally supports inference applications such as sequential hypothesis testing, optimal stopping, and policy evaluation.

연구 동기 및 목표

• SWF 기반 복지 집계로 모집단에 대한 반복 자원 할당을 형식화합니다.
• SWF 단조성만으로도 시간 균일한 신뢰 구간 프레임워크를 개발합니다.
• SWF 기반 복지 극대화를 위한 후회 보장과 함께 효율적인 온라인 학습 알고리즘을 제공합니다.
• 프레임워크를 세 가지 SWF 가족(WPM, Kolm, Gini)과 맞춤형 오라클로 구현합니다.
• 순차적 검정, 최적 stopting, 정책 평가와 같은 추론 작업을 가능하게 합니다.

제안 방법

• Ex-ante utilities _i = [U_i] 및 합계 sum(p_i)=k인 정책 p를 정의하고, M(a mu a o p)로 집계한다.
• 좌표별 CS를 개별 평균에 대해 anytime-valid 구간으로 바꿀 수 있게 하는 신뢰-구간 상승 정리: 단조 SWF는 M(a mu a o p^*)에 대한 시간에 관계없이 유효한 경계로 전환 가능하게 한다.
• SWF-UCB 개발: M(a mu a o p)를 상한 신뢰구간으로 최적화하는 일반 온라인 학습 알고리즘.
• SWF 가족별 정확한 오라클 제공(WPM, Kolm는 워터-필링으로, Gini는 그리디 블록 기반 방법으로).
• 의존 반올림을 사용하여 카디널리티와 주변 확률 제약을 만족하는 배분을 샘플링한다.
• 후회 상한 증명: ˜N= 개체 수, 매 라운드의 자원 k, 총 T 라운드일 때: ˜tilde{O}(n + sqrt(n k T)).
• 중간 정도의 k에서의 후회 무 monotonicity를 보이고, CS 프레임워크가 가능하게 하는 추론 응용을 논의한다.

(a) WPM SWF

실험 결과

연구 질문

• RQ1 단조로운 SWF를 활용하여 온라인 자원 할당에서 언제나 유효한 복지 보장을 얻을 수 있는 방법은 무엇인가?
• RQ2 제한된 피드백 하에서 온라인 SWF 기반 할당의 촘촘한 후회 성능은 어느 정도인가?
• RQ3 온라인 설정에서 서로 다른 SWF 가족(WPM, Kolm, Gini)에 대해 할당을 효율적으로 최적화하는 방법은 어떻게 되는가?
• RQ4 프레임워크가 순차적 추론 작업(예를 들어 테스트, 중지, 정책 평가)을 지원할 수 있는가?
• RQ5 가중치, 공정성 매개변수 q 등의 SWF 매개변수가 학습 다이나믹스와 후회에 어떤 영향을 미치는가?

주요 결과

• SWF 단조성은 좌표별 CS를 언제나 유효한 복지 경계로 확장하는 데 충분하다(정리 4.1).
• SWF-UCB는 n명의 개인 중 k 자원을 T 단계에 걸쳐 분배하는 데 대해 ˜tilde{O}(n + sqrt(n k T))의 거의 최적 후회를 달성한다.
• WPM과 Kolm은 물샘으로, Gini는 그리디 블록 기반 방법으로 O(n log n)에서 정확한 오라클을 제공한다.
• 실험은 WPM, Kolm, Gini 전반에 걸쳐 후회가 ˜sqrt{T} 스케일링을 보이고, k에 대한 후회 비단조성은 중간 정도의 k 근처에서 가장 높은 경향을 보인다.
• 중간 정도의 SWF 매개변수는 더 풍부한 학습 다이나믹스를 제공하며, 프레임워크는 순차적 추론 작업(예: 순차적 테스트, 최적 중지, 정책 평가)을 지원한다.

(b) Kolm SWF