Planning to Fairly Allocate: Probabilistic Fairness in the Restless Bandit Setting
Planning to Fairly Allocate: Probabilistic Fairness in the Restless Bandit Setting
复制标题
规划公平分配：不安定强盗环境中的概率公平
DOI：
10.1145/3580305.3599467
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Dickerson, John P.
中科院分区：
文献类型：
--
作者：
Herlihy, Christine;Prins, Aviva;Srinivasan, Aravind;Dickerson, John P.
在武器具有依赖于行动的过渡概率的情况下，例如在患者之间分配卫生干预措施的情况下，不安分和崩溃的强盗经常被用来模拟预算受限的资源分配。然而，基于索塔-惠特尔指数的解决这一规划问题的方法要么不考虑武器之间的公平，要么在没有保证公平的情况下激励公平。因此，我们引入了ProbFair，这是一种概率公平的策略，它最大化总的预期回报并满足预算约束，同时确保在每个时间步被拉出的概率有一个严格的正下界。我们在实际应用中对我们的算法进行了评估，其中干预措施支持患者对持续正压(CPAP)治疗的依从性，以及更广泛类别的合成转移矩阵。我们发现ProbFair在提供公平保证的同时保留了效用。
Restless and collapsing bandits are often used to model budget-constrained resource allocation in settings where arms have action-dependent transition probabilities, such as the allocation of health interventions among patients. However, SOTA Whittle-index-based approaches to this planning problem either do not consider fairness among arms, or incentivize fairness without guaranteeing it. We thus introduce ProbFair, a probabilistically fair policy that maximizes total expected reward and satisfies the budget constraint while ensuring a strictly positive lower bound on the probability of being pulled at each timestep. We evaluate our algorithm on a real-world application, where interventions support continuous positive airway pressure (CPAP) therapy adherence among patients, as well as on a broader class of synthetic transition matrices. We find that ProbFair preserves utility while providing fairness guarantees.
登录
查看更多内容
影响因子：
10.5
作者：
Sawyer AM;Gooneratne NS;Marcus CL;Ofer D;Richards KC;Weaver TE
通讯作者：
Weaver TE
影响因子：
5.9
作者：
Olsen, Sara;Smith, Simon S.;Douglas, James
通讯作者：
Douglas, James
阻塞性睡眠呼吸暂停治疗依从性的马尔可夫模型
DOI：
--
发表时间：
2013
期刊：
影响因子：
--
作者：
Yuncheol Kang;V. Prabhu;A. Sawyer;P. Griffin
通讯作者：
P. Griffin
美国监狱优先治疗丙型肝炎
影响因子：
2.7
作者：
T. Ayer;Can Zhang;Anthony Bonifonte;A. Spaulding;J. Chhatwal
通讯作者：
J. Chhatwal
针对多动作不安强盗贼的 Q-Learning 拉格朗日策略
DOI：
10.1145/3447548.3467370
发表时间：
2021
期刊：
Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining
影响因子：
--
作者：
J. Killian;Arpita Biswas;Sanket Shah;M. Tambe
通讯作者：
M. Tambe