Near-Optimal Sparsifiers for Stochastic Knapsack and Assignment Problems
University of Southern California(南加州大学)
本文提出了一种多面体稀疏化框架,用于解决随机背包和分配问题,证明其在多项式度下可实现近似最优解。
2025-12-01 cs.DS
An Almost Optimal Approximation Algorithm for Monotone Submodular Multiple Knapsack
研究了多背包约束下单调次模函数的极大化问题。输入是一组项目$I$,每个项目具有非负权重,以及一组任意容量的箱。此外,我们给出了一个子模,单调和非负的功能$f$的子集的项目。目标是找到箱子中的项目子集$A \subseteq I$的包装,使得$f(A)$最大化。我们的主要结果是一个几乎最优的多项式时间$(1-e^{-1}-\varepsilon)$ -近似算法的问题,任何$\varepsilon>0$。该算法依赖于一种结构化技术,该技术将一般的多背包约束转换为一个约束,在该约束中,箱被划分成指数增加的基数组,每个组由均匀容量的箱组成。我们得出的结果,结合结构的子模块优化技术的背包约束的精细分析。
2021-04-16 cs.DS
Simple Deterministic Approximation for Submodular Multiple Knapsack Problem
针对子模多背包问题,本文提出了一种近似比达(1-e^{-1}-ε)的简单确定性组合算法,采用与已有随机复杂算法截然不同的思路,填补了该问题简单确定性近似方案的研究空白。
2023-07-19 cs.DS
Revisiting Priority $k$-Center: Fairness and Outliers
Dartmouth College(达特茅斯学院);Katana Graph
在优先级$k$ -中心问题中,输入由度量空间$(X,d)$、整数$k$和每个点的优先级半径$v \in X$组成,优先级半径$r(v)$。目标是选择以$k$为中心的$S \subseteq X$以最小化$\max_{v \in X} \frac{1}{r(v)} d(v,S)$。如果所有的$r(v)$都是一致的,则得到$k$ -中心问题. Plesnik [Plesnik,Disc. Appl.Math.1987]引入了优先级$k$ -中心问题,并给出了与$k$ -中心问题的最佳可能算法相匹配的$2$ -近似算法.我们展示了这个问题如何与两个不同的公平聚类概念相关[Harris等人,NeurIPS 2018; Jung等人,FORC 2020]。出于这些发展,我们重新审视的问题,并在我们的主要技术贡献,开发一个框架,产生恒定因子近似算法优先级$k$ -中心离群值。我们的框架扩展到优先级$k$ -中心到拟阵和背包约束的推广,并且作为推论,还在Harris等人的彩票模型中产生具有公平性保证的算法[Harris等人,JMLR 2019]。
2022-12-20 cs.DS cs.LG
Generalized Assignment via Submodular Optimization with Reserved Capacity
我们研究了一个变形的\emph{generalized assignment problem}({ \sf GAP})与组的限制。{ \sf Group GAP}的一个实例是一组$I$项,被划分为$L$组和一组$m$统一(单位大小)箱。每个项目$i \in I$有一个大小$s_i >0$,和利润$p_{i,j} \geq 0$,如果包装在斌$j$。如果一组项目的所有项目都已打包,则该组项目为\emph{satisfied}。我们的目标是找到一个可行的包装箱中的一个子集的项目,使总利润最大化满意组。我们指出了{ \sf Group GAP}在视频点播服务、移动设备到设备网络缓存和5G网络中的基站协作中的中心应用。我们的主要结果是一个$\frac{1}{6}$ -近似算法{ \sf组间隙}的实例中,每个组的总大小是最多$\frac{m}{2}$。在我们的算法的核心在于一个有趣的推导子模块功能从经典的LP制定{ \sf GAP},这有利于建设一个高利润的解决方案,利用最多一半的总箱容量,而另一半是\emph{reserved}供以后使用。特别是,我们给出了一个算法submodular最大化的背包约束,找到一个解决方案的利润至少$\frac{1}{3}$的最佳,使用最多一半的背包容量,在温和的限制下,元素的大小。我们的新方法的子模块优化受背包\emph{with reserved capa…
2019-09-16 cs.DS
A Group-Based Resource Allocation Model for the Fractional Knapsack Problem
ID Lab, University of Ghent-imec(根特大学-imec ID实验室)
针对分数背包问题中贪心规则对输入扰动敏感的问题,提出基于分组的两阶段分配模型,通过分组与比率排序降低损失,并保证连续性与高效计算。
2026-09-25 cs.CL cs.DS
Runtime Analysis of RLS and the (1+1) EA for the Chance-constrained Knapsack Problem with Correlated Uniform Weights
解决复杂的现实世界优化问题是一项具有挑战性的任务。具有相关一致权的机会约束背包问题在考虑相依随机分量的情况下起着重要的作用。我们进行运行时分析的随机搜索算法(RSA)和基本的进化算法(EA)的机会约束背包问题与相关的均匀权重。我们证明了这两种算法产生一个可行的解决方案的界限。此外,我们调查的算法的行为,并进行分析的两个设置:统一的利润值和设置中,每个组共享一个任意的利润剖面。我们提供了深入了解这些问题的结构,并显示如何的权重相关性和不同类型的利润配置文件的影响,这两种算法的运行时行为的机会约束设置。
2021-02-10 cs.DS cs.NE
Beyond Pointwise Submodularity: Non-Monotone Adaptive Submodular Maximization subject to Knapsack and $k$-System Constraints
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文研究了带有背包和$k$ -系统约束的非单调自适应次模极大化问题。我们的问题的输入是一组项目,其中每个项目都有一个特定的状态,从一个已知的先验分布。然而,一个项目的状态最初是未知的,必须选择一个项目,以揭示该项目的状态。有一个效用函数是定义在项目和状态上的。我们的目标是顺序选择一组项目,以最大化预期效用。虽然基数约束非单调自适应次模极大化问题在文献中得到了很好的研究,但背包约束或$k$ -系统约束的自适应次模极大化问题是否存在常数近似解仍然是一个悬而未决的问题.事实上,它只解决了点态子模性的额外假设。在本文中,我们删除了点态子模性的共同假设,并提出了第一常数近似解决方案的两种情况。最近的两项研究的启发,非单调自适应子模块最大化,我们开发了一个基于采样的随机算法,实现了一个背包约束的情况下的$\frac{1}{10}$近似,并实现了$\frac{1}{2k+4}$近似比的情况下的$k$系统约束。
2021-09-28 cs.DS cs.LG
Individual Fairness under Varied Notions of Group Fairness in Bipartite Matching - One Framework to Approximate Them All
Indian Institute of Science(印度科学学院);Chennai Mathematical Institute(金奈数学研究所)
本文提出统一框架,在二分匹配中构造群体公平匹配上的概率分布,以兼顾事前个体公平与事后群体公平,并给出多项式时间近似及精确算法。
2024-05-10 cs.AI cs.DS
Maxmin-Fair Ranking: Individual Fairness under Group-Fairness Constraints
ISI Foundation(ISI基金会);Eurecat(Eurecat技术中心)
我们研究了一个新的问题,旨在尽量减少个人的不公平性时,强制执行组公平性约束排名的公平性。我们的建议是植根于分布最大最小公平理论,它使用随机化,以最大限度地提高预期的满意度最差的个人。我们设计了一个精确的多项式时间算法,找到最大最小公平分布的一般搜索问题(包括,但不限于,排名),并表明我们的算法可以产生的排名,同时满足给定的组公平性约束,确保最大可能的价值被带到个人。
2021-06-17 cs.AI cs.DS cs.LG
Online Allocation with Multi-Class Arrivals: Group Fairness vs Individual Welfare
本文研究多类别在线资源分配中的群体公平问题,提出两种基于阈值的在线算法并证明其最优性,同时揭示群体公平与个体福利的权衡,设计预留多阈值算法实现帕累托最优,并在网络缓存等真实场景中验证。
2025-01-27 cs.DS cs.GT
Fair Assortment Planning
针对在线平台物品组合优化算法忽视机会公平的问题,提出基于成对公平的公平组合规划模型,设计基于椭球法与近似分离预言机的近似算法,实验验证了算法有效性并分析了公平性代价。
2025-02-21 cs.DS math.OC
Group Fairness and Multi-criteria Optimization in School Assignment
针对学生分配学校问题,提出基于凸规划舍入的近似算法,兼顾群体公平与多准则优化,实现效用、容量和运行时间间的权衡。
2025-04-22 cs.DS cs.GT
Online Multi-Class Selection with Group Fairness Guarantee
University of Alberta(阿尔伯塔大学);University of Ottawa(渥太华大学);Vector Institute(向量研究所)
本文提出一种基于松弛与舍入框架的随机化算法,并引入无损舍入方案与预留机制,解决在线多类选择中的群体公平问题,同时提出学习增强变体以平衡公平与效率。
2025-10-23 cs.DS cs.LG
Distributional Individual Fairness in Clustering
IIIT Delhi(德里英迪拉·甘地信息技术学院);UC Santa Cruz(加州大学圣克鲁兹分校)
在本文中,我们开始研究公平聚类,确保相似的个体之间的分布相似性。为了提高机器学习中的公平性,最近的论文研究了聚类算法中的公平性,并集中在统计奇偶性/组公平性的范式上。这些努力试图尽量减少对人口中某些受保护群体的偏见。然而,据我们所知,Dwork等人(ITCS 2012)在分类背景下引入的个体公平性的替代观点迄今尚未被考虑用于聚类。与Dwork等人类似,我们采用了个体公平的概念,该概念规定,对于聚类问题,相似的个体应该被类似地对待。我们使用的概念,$f$ -分歧作为统计相似性的措施,显着推广Dwork等人使用的。我们引入了一个框架,用于分配个人,嵌入在度量空间,概率分布在一个有限数量的聚类中心。其目标是确保(a)低成本的预期聚类和(b)在给定的公平空间中彼此接近的个体被映射到统计上相似的分布。我们提供了一个聚类算法与$p$规范的目标($k$中心,$k$ -手段是特殊情况)和个人的公平性约束,可证明的近似保证。我们扩展了这个框架,包括保护组内的群体公平和个人公平。最后,我们观察个人公平意味着群体公平的条件。我们提出了广泛的实验证据,证明我们的方法的有效性。
2020-06-22 cs.DS cs.LG stat.ML
Continuous Fairness On Data Streams
Lyon 1 University(里昂第一大学)
本文提出了一种在数据流中实现持续群体公平性的方法,通过块级公平性模型和高效的重新排列算法,提高了公平性保障的效率和效果。
2026-01-13 cs.CY cs.DS cs.LG