Nash Social Welfare
PulseAugur coverage of Nash Social Welfare — every cluster mentioning Nash Social Welfare across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架PriorityNet使用EF1和NSW优化资源分配
研究人员开发了一个名为PriorityNet的深度强化学习框架，以解决在满足“公平到仅剩一件物品”（EF1）并最大化“纳什社会福利”（NSW）的同时分配不可分割物品的问题。该框架使用近端策略优化（Proximal Policy Optimization）和前瞻性EF1动作掩码（prospective EF1 action masking）来确保每次分配在无需后处理的情况下都保持EF1。实验表明，PriorityNet在离线和在线模式下…
-
新算法平衡匹配问题中的公平性和稳定性
研究人员开发了一种新算法SNSW-Alg，旨在解决稳定匹配问题中的公平性问题。该算法旨在最大化纳什社会福利（一种公平性度量），同时保持Gale-Shapley等算法传统上优先考虑的稳定性。SNSW-Alg的运行时间约为O(n^4)，并在各种偏好分布下在公平性方面取得了实证收益，而不会显著损害诸如遗憾或平均主义标准等其他指标。
-
新的SVD方法简化了多维匹配市场
研究人员开发了一种新颖、计算效率高的多维匹配市场机制。这种新方法使用奇异值分解（SVD）将复杂的偏好匹配简化为一维问题，显著减少了计算时间。该机制旨在近似最大化纳什社会福利并确保分配真实性，提供鲁棒性保证，并以现有方法一小部分的速度实现近乎最优的福利。
-
研究人员探索用于鲁棒上下文、公平性和未知延迟的对决赌博机
两篇新研究论文探讨了对决赌博机算法的进展，这是一种用于机器学习中偏好数据的方法。第一篇论文解决了易变环境中未知延迟和对抗性腐败等挑战，提出了一种新的算法，其遗憾上限加性地考虑了腐败和延迟。第二篇论文侧重于多用户对决赌博机中的公平性，引入了一个使用纳什社会福利的框架，以确保少数群体不被边缘化，并推导了公平算法的遗憾界限。