Achieving Long-term Fairness in Submodular Maximization through Randomization

要約

タイトル：ランダム化によるサブモジュラ最大化における長期的な公平性の達成

要約：
– サブモジュラ関数の最大化は、機械学習やデータ分析など、多数のアプリケーションにおいて利用される。
– データに種族や性別のような敏感な属性が含まれる場合、公平性に配慮したアルゴリズムを実装することが重要である。
– この研究は、群の公平性の制約を満たしながら単調サブモジュラ関数を最大化する問題を探求するものである。
– 従来の研究とは異なり、ランダム解を許可し、期待される各群から選択されるアイテムの数が上限および下限の制約を受ける分布を計算することが目的であることに留意されたい。
– 長期的に各群の代表が均衡を保つことを保証するため、サイズが定数値である場合の許容セットを考慮している。
– 本研究は、この問題の近似アルゴリズムの開発を含む。

要約(オリジナル)

Submodular function optimization has numerous applications in machine learning and data analysis, including data summarization which aims to identify a concise and diverse set of data points from a large dataset. It is important to implement fairness-aware algorithms when dealing with data items that may contain sensitive attributes like race or gender, to prevent biases that could lead to unequal representation of different groups. With this in mind, we investigate the problem of maximizing a monotone submodular function while meeting group fairness constraints. Unlike previous studies in this area, we allow for randomized solutions, with the objective being to calculate a distribution over feasible sets such that the expected number of items selected from each group is subject to constraints in the form of upper and lower thresholds, ensuring that the representation of each group remains balanced in the long term. Here a set is considered feasible if its size does not exceed a constant value of $b$. Our research includes the development of a series of approximation algorithms for this problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI