Time Fairness in Online Knapsack Problems

要約

オンライン ナップザック問題は、オンライン アルゴリズムの分野における古典的な問題です。
その正規版では、オンラインで到着するさまざまな価値と重量のアイテムを、許容されるアイテムの合計価値を最大化するために、容量が制限されたナップザックにどのように詰めるかを尋ねます。
この問題に対して最適な競争アルゴリズムが知られていますが、それらは根本的に不公平である可能性があります。つまり、個々の項目が異なる方法で不公平に扱われる可能性があります。
オンライン設定における公平性に対する最近の注目に触発されて、私たちはオンライン ナップザック問題に対する自然で実際に関連した時間公平性の概念を開発し、既存の最適アルゴリズムがこの指標の下ではパフォーマンスが低いことを示します。
我々は、パラメータが公平性と競争性の間のパレート最適トレードオフを正確に捉える、パラメータ化された決定論的アルゴリズムを提案します。
私たちは、ランダム化が理論的には競争力と公平性を同時に実現するのに十分強力であることを示します。
ただし、トレース駆動の実験を使用する場合、実際にはうまく機能しません。
公平性と競争性の間のトレードオフをさらに改善するために、トレース駆動実験で大幅なパフォーマンス向上を実現する、公平で堅牢な (競争力のある) 一貫性のある学習拡張アルゴリズムを開発します。

要約(オリジナル)

The online knapsack problem is a classic problem in the field of online algorithms. Its canonical version asks how to pack items of different values and weights arriving online into a capacity-limited knapsack so as to maximize the total value of the admitted items. Although optimal competitive algorithms are known for this problem, they may be fundamentally unfair, i.e., individual items may be treated inequitably in different ways. Inspired by recent attention to fairness in online settings, we develop a natural and practically-relevant notion of time fairness for the online knapsack problem, and show that the existing optimal algorithms perform poorly under this metric. We propose a parameterized deterministic algorithm where the parameter precisely captures the Pareto-optimal trade-off between fairness and competitiveness. We show that randomization is theoretically powerful enough to be simultaneously competitive and fair; however, it does not work well in practice, using trace-driven experiments. To further improve the trade-off between fairness and competitiveness, we develop a fair, robust (competitive), and consistent learning-augmented algorithm with substantial performance improvement in trace-driven experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google