[论文解读] Multiwinner Voting with Fairness Constraints

L. Elisa Celis, Lingxiao Huang+1 more|arXiv (Cornell University)|Oct 27, 2017

Game Theory and Voting Systems参考文献 22被引用 7

一句话总结

本文提出了一种通用的多胜者投票算法框架，可在最大化给定得分函数的同时，对多个非互斥的敏感属性（例如性别、种族、政治倾向）整合公平性约束。该框架针对单调和子模得分函数提出了近似算法，表明在得分损失最小的情况下可实现公平性——通常得分可达无约束最优值的90%–100%，因此在委员会选举或内容筛选等实际应用中极具实用性。

ABSTRACT

Multiwinner voting rules are used to select a small representative subset of candidates or items from a larger set given the preferences of voters. However, if candidates have sensitive attributes such as gender or ethnicity (when selecting a committee), or specified types such as political leaning (when selecting a subset of news items), an algorithm that chooses a subset by optimizing a multiwinner voting rule may be unbalanced in its selection -- it may under or over represent a particular gender or political orientation in the examples above. We introduce an algorithmic framework for multiwinner voting problems when there is an additional requirement that the selected subset should be "fair" with respect to a given set of attributes. Our framework provides the flexibility to (1) specify fairness with respect to multiple, non-disjoint attributes (e.g., ethnicity and gender) and (2) specify a score function. We study the computational complexity of this constrained multiwinner voting problem for monotone and submodular score functions and present several approximation algorithms and matching hardness of approximation results for various attribute group structure and types of score functions. We also present simulations that suggest that adding fairness constraints may not affect the scores significantly when compared to the unconstrained case.

研究动机与目标

• 解决多胜者投票系统中的算法偏见问题，这些系统可能因性别、种族或政治倾向等敏感属性而对某些群体产生代表性不足或过度代表的情况。
• 开发一个统一的算法框架，支持多种可能重叠的属性上的公平性约束，实现灵活且可推广的公平性定义。
• 分析在不同得分函数（单调、子模）和公平性结构下，受约束多胜者投票的计算复杂度。
• 通过“公平性代价”（即公平性约束下得分的下降程度）来评估公平性与性能之间的权衡。
• 实证验证：在以得分比率和代表性基尼指数衡量时，公平性约束的引入不会显著降低所选委员会的质量。

提出的方法

• 形式化定义了一个受约束的多胜者投票问题：从候选集 $C$ 中选出大小为 $k$ 的委员会，以最大化得分函数 $\mathrm{score}:2^C\to\mathbb{R}_{\geq 0}$，同时满足对任意组 $P_1,\dots,P_p\subseteq C$ 的公平性约束。
• 提出可基于选民（选民间代表性比例）或候选人（候选人组间代表性比例）定义的公平性约束，包括允许小幅偏差的松弛版本。
• 为 $\Delta=1$（每位候选人仅属于一个组）和 $\Delta\geq2$（多个重叠属性）两种情形设计近似算法，利用子模优化与贪心选择策略。
• 当 $\Delta=1$ 时，应用近乎线性时间的算法求解受约束的SNTV（基于多数制）多胜者投票，显著提升大规模场景下的效率。
• 采用松弛技术，使公平性约束可在一定范围内浮动，从而在严格公平性与得分最大化之间实现权衡。
• 通过1000次重复的仿真框架，比较无约束与受约束投票规则，使用基尼指数和得分比率（即公平性代价）等指标进行评估。

实验结果

研究问题

• RQ1 是否能在不显著降低所选委员会质量（以得分函数衡量）的前提下，有效将公平性约束整合进多胜者投票系统？
• RQ2 受约束多胜者投票的计算复杂度如何随公平性约束结构（如互不重叠 vs. 重叠属性）和得分函数类型（单调、子模）而变化？
• RQ3 不同投票规则与公平性定义下的“公平性代价”（即受约束最优得分与无约束最优得分的比值）是多少？
• RQ4 无约束投票规则在多大程度上加剧了代表性失衡？公平性约束能否系统性地纠正此类偏差？
• RQ5 不同的公平性定义（按选民比例 vs. 按候选人比例）如何影响胜者分布及最终的代表性基尼指数？

主要发现

• 公平性代价极低：对于 $\alpha$-CC 和 $\beta$-CC，受约束最优得分达到无约束最优得分的100%，仅受微小舍入效应影响。
• 对于SNTV、Bloc和 $k$-Borda，受约束得分比率在88.4%至99.3%之间，表明公平性约束对性能影响极小或无负面影响。
• 无约束规则（如Bloc）表现出显著偏差——基尼指数高达0.28（标准差0.10），尤其在候选人聚集区域表现不公。
• 公平性约束可消除此类偏差：当按选民或候选人实现比例代表性时，基尼指数降至0.00–0.125，实现近乎完美的公平性。
• 松弛公平性约束允许一定范围内的代表性波动，同时保持高得分，基尼指数在0.01至0.11之间，得分比率高于90%。
• 随机委员会表现较差，SNTV的得分比率最低仅为37.1%，证实受约束规则的高性能并非偶然，而是源于算法设计。