Fair Best Arm Identification with Fixed Confidence

要約

この研究では、公平性制約の下での Best Arm Identification (BAI) の新しいフレームワークを紹介します。この設定を \textit{F-BAI} (公平な BAI) と呼びます。
サンプルの複雑さを最小限に抑えて最適なアームを特定することのみに焦点を当てた従来の BAI とは異なり、F-BAI には一連の公平性制約も含まれています。
これらの制約は、各アームの選択率に下限を課し、モデルに依存しない場合もあれば、モデルに依存する場合もあります。
この設定では、インスタンス固有のサンプル複雑さの下限を確立し、\textit{公平性の価格}を分析し、公平性がサンプルの複雑さにどのような影響を与えるかを定量化します。
サンプルの複雑さの下限に基づいて、公平性の制約が満たされることを保証しながら、サンプルの複雑さの下限と証明的に一致するアルゴリズムである F-TaS を提案します。
合成モデルと実際の無線スケジューリング アプリケーションの両方を使用して実施された数値結果は、公平性違反を低く抑えながらサンプルの複雑さを最小限に抑えるという F-TaS の効率を示しています。

要約(オリジナル)

In this work, we present a novel framework for Best Arm Identification (BAI) under fairness constraints, a setting that we refer to as \textit{F-BAI} (fair BAI). Unlike traditional BAI, which solely focuses on identifying the optimal arm with minimal sample complexity, F-BAI also includes a set of fairness constraints. These constraints impose a lower limit on the selection rate of each arm and can be either model-agnostic or model-dependent. For this setting, we establish an instance-specific sample complexity lower bound and analyze the \textit{price of fairness}, quantifying how fairness impacts sample complexity. Based on the sample complexity lower bound, we propose F-TaS, an algorithm provably matching the sample complexity lower bound, while ensuring that the fairness constraints are satisfied. Numerical results, conducted using both a synthetic model and a practical wireless scheduling application, show the efficiency of F-TaS in minimizing the sample complexity while achieving low fairness violations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google