Improving Fairness in Adaptive Social Exergames via Shapley Bandits

要約

AIが社会に統合されるにつれて、アルゴリズムの公平性は不可欠な要件です。
AI がリソースを配布するソーシャル アプリケーションの場合、アルゴリズムは、特定の結果を最大化しようとしながら、ユーザーのサブセットに利益をもたらす決定を、場合によっては繰り返しまたは排他的に行わなければならないことがよくあります。
ユーザーにもっと公平にサービスを提供するには、そのようなシステムをどのように設計すればよいでしょうか?
このホワイト ペーパーでは、ユーザーのグループが Step Heroes と呼ばれるソーシャル エクササイズ ゲームで共通の目標に向かって作業する場合に、この問題を検討します。
従来の多腕バンディット (MAB) における不利な結果を特定し、貪欲なバンディット問題を形式化します。
次に、新しいタイプの公平性を意識した多腕バンディットである Shapley Bandits に基づくソリューションを提案します。
これは、パフォーマンスの高い参加者のみを優先することによって伝統的に達成されるグループ全体のアウトプットの最大化ではなく、全体的なプレーヤーの参加と介入の順守を高めるためにシャプレー値を使用します。
ユーザー調査 (n=46) を通じてアプローチを評価します。
私たちの結果は、Shapley Bandits が貪欲なバンディット問題を効果的に仲介し、参加者全体でより良いユーザー維持とモチベーションを達成することを示しています。

要約(オリジナル)

Algorithmic fairness is an essential requirement as AI becomes integrated in society. In the case of social applications where AI distributes resources, algorithms often must make decisions that will benefit a subset of users, sometimes repeatedly or exclusively, while attempting to maximize specific outcomes. How should we design such systems to serve users more fairly? This paper explores this question in the case where a group of users works toward a shared goal in a social exergame called Step Heroes. We identify adverse outcomes in traditional multi-armed bandits (MABs) and formalize the Greedy Bandit Problem. We then propose a solution based on a new type of fairness-aware multi-armed bandit, Shapley Bandits. It uses the Shapley Value for increasing overall player participation and intervention adherence rather than the maximization of total group output, which is traditionally achieved by favoring only high-performing participants. We evaluate our approach via a user study (n=46). Our results indicate that our Shapley Bandits effectively mediates the Greedy Bandit Problem and achieves better user retention and motivation across the participants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google