FairPOT: Balancing AUC Performance and Fairness with Proportional Optimal Transport
本文提出与模型无关的后处理框架FairPOT,利用最优传输选择性地转换劣势群体中可控比例的风险分数,有效平衡了高风险领域中AUC性能与公平性,并在全局和部分AUC场景下优于现有方法。
2025-08-12 cs.AI cs.CY cs.LG
Optimal Transport under Group Fairness Constraints
University of California, Berkeley(加州大学伯克利分校)
针对最优运输中的群体公平问题,提出通过修正Sinkhorn算法实现完美公平,并开发两种松弛策略(惩罚OT和双层优化学习成本)以平衡公平与匹配质量,给出理论保证和实证结果。
2026-06-03 cs.LG math.ST stat.ML
Overcoming Representation Bias in Fairness-Aware data Repair using Optimal Transport
Dyson School of Design Engineering, Imperial College London(帝国理工学院伦敦分校设计工程学院);Department of Electronic and Electrical Engineering, Trinity College Dublin(都柏林信任学院电子与电气工程系)
本文提出了一种基于贝叶斯非参数停止规则的方法,用于克服公平性感知数据修复中的表示偏差问题,通过优化传输操作符修复存档数据。
2024-10-03 cs.CY cs.LG math.ST
Optimal Transport Learning: Balancing Value Optimization and Fairness in Individualized Treatment Rules
Department of Applied Mathematics, The Hong Kong Polytechnic University(应用数学系,香港理工大学);Department of Biostatistics, City University of Hong Kong(生物统计学系,香港城市大学);Department of Mathematics and Statistics, Xi’an Jiaotong University(数学与统计学系,西安交通大学)
针对个体化治疗规则受敏感属性影响导致不公平的问题,提出基于最优传输理论的改进型权衡ITR方法,通过平滑约束调参平衡价值与公平,建立价值损失上界,经模拟和真实数据集验证有效。
2025-07-31 cs.LG stat.ML
Counterfactually Fair Regression via Optimal Transport
Inria, Soda team(Inria,Soda团队);Inria, FairPlay joint team(Inria,FairPlay联合团队);CREST, ENSAE, IP Paris(CREST,ENSAE,IP巴黎);CMAP, CNRS, Ecole Polytechnique, Institut Polytechnique de Paris(CMAP,CNRS,Polytechnique学院,巴黎理工学院)
本文采用因果不确定性视角,通过重采样噪声定义反事实公平性,提出基于最优传输的后处理估计器,并证明其有限样本公平性保证和风险界。
2026-05-27 cs.CY cs.LG stat.ML
Fairness Explainability using Optimal Transport with Applications in Image Classification
Université du Québec à Montréal(魁北克大学蒙特利尔分校);Université de Montréal(蒙特利尔大学)
本文提出一种基于最优传输理论的综合方法,利用Wasserstein重心实现公平预测并定位偏见相关区域,从而在图像分类中解释模型偏见的成因并衡量各特征对偏见的影响。
2023-10-31 cs.CV cs.LG stat.AP
EquiPy: Sequential Fairness using Optimal Transport in Python
Université du Québec à Montréal(魁北克大学蒙特利尔分校);ENSAE Institut Polytechnique Paris(巴黎综合理工学院经济统计学院);Milliman(米勒曼公司)
本文推出开源 Python 包 EquiPy,基于最优传输理论将多敏感变量公平性问题分解求解,提供模型无关、可视化可解释的偏见缓解工具,并在美国人口普查数据上验证。
2025-03-12 cs.LG
Fairness Through Matching
Seoul National University(首尔大学);University of Twente(特文特大学);Samsung Research(三星研究院);Pohang University of Science and Technology (POSTECH)(浦项科技大学);School of Law Seoul National University(首尔大学法学院);Interdisciplinary Program in Artificial Intelligence Seoul National University(首尔大学人工智能跨学科项目)
本文揭示群体公平模型隐含跨群体输入传输映射,提出匹配人口统计公平 MDP 及 FTM 算法,可借助用户指定的最优传输映射学习具有理想性质的公平模型。
2025-01-06 cs.AI cs.LG stat.ML
FlipTest: Fairness Testing via Optimal Transport
Carnegie Mellon University(卡内基梅隆大学)
我们提出了FlipTest,一个黑盒技术发现歧视分类。FlipTest的动机是一个直观的问题:如果一个人处于不同的保护状态,模型会以不同的方式对待他们吗?FlipTest不依赖因果信息来回答这个问题,而是利用最佳传输来匹配不同保护组中的个体,从而创建相似的分布样本对。我们展示了如何使用这些实例来检测歧视,通过构建一个“翻转集”:一组个人的分类器输出改变翻译后,这对应于一组人谁可能会受到伤害,因为他们的组成员。为了解释为什么模型对给定的子组有不同的处理,FlipTest生成了一个“透明度报告”:一个与模型在翻转集上的行为最相关的特征的排名。在三个案例研究中评估该方法,我们表明,这提供了一种计算成本低廉的方法来识别可能受到模型歧视伤害的子组,包括模型满足组公平标准的情况。
2019-12-06 cs.LG stat.ML
Optimal Transport for Fairness: Archival Data Repair using Small Research Data Sets
Dyson School of Design Engineering, Imperial College London(伦敦帝国理工学院戴森设计工程学院);Department of Electronic and Electrical Engineering, Trinity College Dublin(都柏林圣三一学院电子与电气工程系)
本文针对法规要求下训练数据的不公平性修复问题,将公平性定义为条件独立性,提出利用小规模带标签研究数据设计基于最优传输的修复方案,在平稳性假设下高效修复大量样本外档案数据,并显著降低计算成本,实验证明该方法能有效消除条件依赖。
2024-03-20 cs.CY cs.LG math.ST
All of the Fairness for Edge Prediction with Optimal Transport
Univ Lyon(里昂大学);UJM-Saint-Etienne(圣艾蒂安大学);CNRS(法国国家科学研究中心);Institut d’Optique Graduate School(法国高等光学研究所);Laboratoire Hubert Curien UMR 5516(于贝尔·居里安实验室)
最近,机器学习和数据采掘算法越来越多地用于支持医疗保健、教育或安全等许多具有高度社会重要性的领域的决策系统。虽然在预测能力方面非常有效,但部署的算法有时倾向于学习具有歧视性偏见的归纳模型,因为后者在学习样本中存在。这个问题产生了一个新的领域的算法公平性,其目标是纠正歧视性偏见引入的某一属性,以解相关模型的输出。在本文中,我们研究的公平性问题的边缘预测任务的图形,一个在很大程度上未被充分研究的情况下相比,一个更流行的设置公平分类。为此,我们制定了公平的边缘预测的问题,从理论上分析它,并提出了一个嵌入不可知的修复程序的邻接矩阵的任意图之间的权衡组和个人的公平性。我们的实验表明,我们的方法的多功能性和它的能力,以提供明确的控制不同的公平性和预测精度的概念。
2020-10-30 cs.AI cs.LG stat.ML
Auditing and Enforcing Conditional Fairness via Optimal Transport
J.P.Morgan AI Research(摩根大通人工智能研究院)
本文针对条件人口统计均等(CDP)难以审计和执行的问题,提出基于最优传输统计距离的条件人口统计差异度量,并设计FairBit和FairLP正则化方法,在条件变量多水平和连续输出场景下实现条件分布完全相等,并在真实数据集上验证了有效性。
2024-10-17 cs.LG stat.ML
Conformalized Fairness via Quantile Regression
University of Alberta(阿尔伯塔大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
在社会敏感领域,公平性越来越受到关注。虽然已经建立了丰富的文献平均公平,分位数公平的研究仍然稀少,但至关重要。为了满足巨大的需求,并倡导分位数公平的意义,我们提出了一种新的框架来学习一个实值分位数函数的公平性要求下的人口奇偶性的敏感属性,如种族或性别,从而获得一个可靠的公平预测区间。使用最优传输和功能同步技术,我们建立了理论保证的分布免费覆盖和公平分位数构造的诱导预测区间的精确公平性。提供了一个动手流水线,以将灵活的分位数回归与有效的公平性调整后处理算法相结合。我们在几个基准数据集上证明了这种方法的优越经验性能。我们的研究结果表明,该模型能够揭示在广泛的社会和医疗应用中公平性-准确性权衡的机制。
2022-10-14 cs.CY cs.LG stat.ML
Projection to Fairness in Statistical Learning
Massachusetts Institute of Technology(麻省理工学院);University Toulouse 3(图卢兹第三大学)
在回归的背景下,我们考虑的基本问题是使估计公平,同时尽可能保持其预测精度。为此,我们将其对公平性的投影定义为反映预测准确性的最接近公平估计量。我们的方法利用最优运输工具来有效地构建任何给定估计量的公平性投影,作为一个简单的后处理步骤。此外,我们的方法精确地量化了公平性的成本,以预测准确性衡量。
2020-06-25 cs.LG math.ST stat.ML
Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings
Inria, Soda team(Inria,Soda团队);CREST, ENSAE, IP Paris(CREST,ENSAE,IP巴黎);Inria, Fairplay joint team(Inria,Fairplay联合团队);CMAP, CNRS, Ecole Polytechnique, Institut Polytechnique de Paris(CMAP,CNRS,Polytechnique学院,巴黎理工学院)
本文通过最优传输理论统一了感知与无感知设置下的公平回归问题,提出了基于Wasserstein-2和全变差惩罚的算法,在松弛公平约束下实现准确预测。
2026-11-02 cs.CY cs.LG stat.ML
Demographic Parity Tails for Regression
本文提出一种关注敏感群体目标分布尾部的回归方法,通过最优传输理论实现更精细的公平干预,提供理论保障和实验验证。
2026-04-02 cs.LG stat.ML
Fairness in Machine Learning
University of Pisa(比萨大学);DeepMind(深度思维)
基于机器学习的系统正在广泛应用于社会和日常生活的许多方面。这一现象伴随着对采用这些技术可能产生的道德问题的担忧。ML公平性是机器学习最近建立的一个领域,它研究如何确保数据和模型不准确性中的偏见不会导致模型基于种族、性别、残疾和性或政治取向等特征对个人不利。在这篇手稿中,我们讨论了目前关于公平的推理和处理方法中存在的一些局限性,并描述了作者为解决这些问题所做的一些工作。更具体地说,我们展示了因果贝叶斯网络如何在推理和处理公平性方面发挥重要作用,特别是在复杂的不公平场景中。我们描述了如何最优运输理论可以用来开发的方法,施加约束的完整形状的分布对应于不同的敏感属性,克服了大多数方法的限制,近似公平desiderata施加约束的低阶矩或其他功能的分布。我们提出了一个统一的框架,包括方法,可以处理不同的设置和公平标准,并享有强有力的理论保证。我们介绍了一种学习公平表示的方法,可以推广到看不见的任务。最后,我们描述了一种技术,占敏感属性的使用的法律限制。
2020-12-31 cs.CY cs.LG stat.ML
Explainable post-training bias mitigation with distribution-based fairness metrics
Discover Financial Services(Discover金融服务公司)
提出一种基于随机梯度下降的训练后偏差缓解框架,利用分布公平性约束高效生成人口统计学盲且可解释的模型,并设计可微全局公平性度量,在多数据集上验证了其有效性。
2025-10-29 cs.LG math.PR
Optimal Transport on Categorical Data for Counterfactuals using Compositional Data and Dirichlet Transport
Université du Québec à Montréal(魁北克大学蒙特利尔分校);CNRS - Université de Montréal(国家科学研究中心-蒙特利尔大学);Aix Marseille Univ, CNRS, AMSE(阿维尼翁-马赛大学,国家科学研究中心,AMSE)
针对现有最优传输反事实方法难解释、类别变量传输难的问题,提出将类别变量转为成分数据并在$\text{R}^d$概率单纯形内传输的新方法,经真实数据验证有效,为反事实公平研究提供了新路径。
2025-05-20 cs.LG stat.ME
A Statistical Test for Probabilistic Fairness
EPFL(洛桑联邦理工学院);Stanford University(斯坦福大学)
算法现在通常用于做出影响人类生活的重大决策。例子包括大学入学,医疗干预或执法。虽然算法使我们能够利用隐藏在大量数据中的所有信息,但它们可能会无意中放大现有数据集中的现有偏见。这种担忧引发了人们对公平机器学习的兴趣,该学习旨在量化和减轻算法歧视。事实上,机器学习模型应该在大规模部署之前进行密集测试,以检测算法偏差。在本文中,我们使用最优传输理论的思想,提出了一个统计假设检验检测不公平的分类。利用特征空间的几何形状,测试统计量量化测试样本上支持的经验分布到使预训练分类器公平的分布流形的距离。我们开发了一个严格的假设检验机制,用于评估任何预先训练的逻辑分类器的概率公平性,我们在理论上和经验上都表明,所提出的测试是渐进正确的。此外,所提出的框架提供了可解释性,通过识别数据的最有利的扰动,使给定的分类器变得公平。
2020-12-09 cs.CY cs.LG stat.ML
Repairing Regressors for Fair Binary Classification at Any Decision Threshold
Brown University(布朗大学);Cornell University(康奈尔大学);UC Berkeley(加州大学伯克利分校);Arthur AI(亚瑟人工智能公司)
本文提出基于最优传输的回归器后处理算法,通过缩小群体分数分布距离,在任意决策阈值下实现群体公平且保持准确率。
2023-12-10 cs.CY cs.LG
Exposing the Illusion of Fairness: Auditing Vulnerabilities to Distributional Manipulation Attacks
Institut de Mathématiques de Toulouse (IMT)(图卢兹数学研究所);Institut national de recherche en sciences et technologies du numérique (INRIA)(国家数字科学与技术研究院);Artificial and Natural Intelligence Toulouse Institute 2 (ANITI 2)(图卢兹人工智能与自然智能研究所2);Institut de Recherche en Informatique de Toulouse (IRIT)(图卢兹计算机研究所);Independent Researcher(独立研究员);CNRS IRL CROSSING(国家科学研究中心IRL CROSSING)
研究恶意被审计方如何通过分布操纵制造公平假象,提出基于熵和最优传输的操纵策略,并评估统计检验的检测能力,为监管验证提供指导。
2026-06-17 cs.LG math.OC stat.AP
Multimodal Survival Modeling and Fairness-Aware Clinical Machine Learning for 5-Year Breast Cancer Risk Prediction
Tarbiat Modares University(塔比阿特莫达勒斯大学)
本研究提出了一种多模态生存建模框架,结合临床数据和高维生物标志物,通过CoxNet和XGBoost模型预测乳腺癌5年生存率,并强调模型的校准、公平性和可重复性。
2026-02-25 cs.LG q-bio.QM
Decorrelation using Optimal Transport
University of Geneva(日内瓦大学)
本文提出使用凸神经最优传输求解器(Cnots)对特征空间与受保护属性进行去相关,在高能物理喷注分类中表现优异,多分类任务中显著优于现有方法。
2023-07-14 cs.LG hep-ex hep-ph
Individually Fair Ranking
University of Michigan(密歇根大学);IBM Research(IBM研究院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
我们开发了一个算法来训练个别公平的学习排名(LTR)模型。拟议的方法确保少数群体的项目与多数群体的类似项目一起出现。这种公平排名的概念是基于监督学习对个体公平性的定义,比之前的公平LTR方法更细致入微,后者只是确保排名模型为代表性不足的项目提供基本的曝光水平。我们的方法的关键是一个最佳的基于运输的正则化,强制执行个人的公平性和一个有效的算法优化正则化。我们表明,我们的方法导致可证明的个别公平的LTR模型,并证明我们的方法对受人口统计偏见的任务排名的有效性。
2021-03-19 cs.LG stat.ML
Learning to Re-rank with Constrained Meta-Optimal Transport
Rakuten Institute of Technology, Rakuten Group, Inc.(乐天集团乐天技术研究所)
针对现有随机重排序策略计算成本高、内存消耗大且难泛化新查询的问题,提出约束元最优传输方法与Gumbel匹配采样方案,实现了快速轻量、可泛化的公平重排序,性能与传统优化方法相当。
2023-04-29 cs.LG
Fair Regression with Wasserstein Barycenters
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Université Gustave Eiffel(古斯塔夫·埃菲尔大学);University of Genoa(热那亚大学);Istituto Italiano di Tecnologia(意大利技术研究院);University College London(伦敦大学学院)
我们研究学习一个实值函数,满足人口奇偶约束的问题。它要求预测输出的分布与敏感属性无关。我们考虑的情况下,敏感属性是可用于预测。我们建立了公平回归和最优传输理论之间的联系,基于此,我们推导出一个封闭的形式表达的最佳公平预测。具体来说,我们表明,这个最佳的分布是Wasserstein重心的分布引起的标准回归函数的敏感群体。这个结果提供了一个直观的解释最佳的公平预测,并建议一个简单的后处理算法,以实现公平。我们为这一程序建立了无风险和无分配的公平保证。数值实验表明,我们的方法是非常有效的学习公平的模型,错误率的相对增加是劣于公平性的相对增益。
2020-06-23 cs.LG math.ST stat.ML
FedAVOT: Exact Distribution Alignment in Federated Learning via Masked Optimal Transport
本文提出 FedAVOT,将联邦学习聚合建模为掩码最优传输问题,通过 Sinkhorn 缩放对齐可用性分布与重要性分布,在非光滑凸设置下实现 O(1/√T) 收敛速率,并在异构、公平敏感及低参与度场景下显著优于 FedAvg。
2025-09-17 cs.LG stat.ML
PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels
Indian Institute of Science Education and Research, Bhopal(印度博帕尔科学教育与研究学院);Indian Institute of Technology, Bhilai(印度比莱印度理工学院)
本文提出 PatchAlign,利用 GOT 损失及可学习掩码图最优传输对齐皮肤病图像与临床文本表示,在 Fitzpatrick17k 和 DDI 上提升分类准确率并改善不同肤色间的公平性。
2024-09-08 cs.CV cs.LG
Group-blind optimal transport to group parity and its constrained variants
Dyson School of Design Engineering(戴森设计工程学院);Imperial College London(伦敦帝国学院);Czech Technical University in Prague(捷克布拉格技术大学)
针对公平学习依赖受保护属性的问题,提出一种群盲最优传输投影映射,无需个体属性即可实现群体均等,并在合成与真实数据上验证了有效性。
2024-11-08 cs.LG math.OC
Constrained Reweighting of Distributions: an Optimal Transport Approach
Texas A&M University(德克萨斯A&M大学)
本文提出一种基于最大熵原理和最优传输的通用框架,通过非参数分布约束对经验分布进行灵活重加权,并在投资组合配置、复杂调查半参数推断和算法公平性三个应用中验证了其有效性。
2024-01-16 cs.LG stat.ML
Relax and Merge: A Simple Yet Effective Framework for Solving Fair $k$-Means and $k$-sparse Wasserstein Barycenter Problems
University of Science and Technology of China(中国科学技术大学)
针对带组比例公平约束的$k$-均值聚类难题,提出“松弛与合并”框架,取得更优近似比,还可拓展至$k$-稀疏Wasserstein重心问题,实验效果优于基线。
2024-12-07 cs.DS cs.LG stat.ML
What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning
Australian Artificial Intelligence Institute, University of Technology Sydney(悉尼科技大学澳大利亚人工智能研究所)
本文通过因果视角探究强化学习中长期不公平性的来源,提出动态公平性概念以区分环境动态导致的不平等,并推导识别公式进行定量评估,实验证明其能有效解释、检测和减少不平等。
2024-04-28 cs.AI cs.CY cs.LG
Matching Code and Law: Achieving Algorithmic Fairness with Optimal Transport
越来越多的算法歧视被视为一个社会和法律问题。作为响应,在文献中已经开发了用于在机器学习中实现算法公平性的许多标准。本文提出了连续公平算法(CFA $θ$),使不同的公平性定义之间的连续插值。更具体地说,我们对现有文献做出了三个主要贡献。首先,我们的方法允许决策者在个人和群体公平的具体概念之间不断变化。因此,该算法使决策者能够在算法过程中编码的歧视程度上采用中间的“世界观”,为文献中迄今为止提出的“我们都是平等的”(WAE)和“你所看到的就是你所得到的”(WYSIWYG)的极端情况添加细微差别。其次,我们使用最优运输理论,特别是重心的概念,最大限度地提高决策者的效用下选择的公平约束。第三,该算法能够处理交叉性的情况,即,根据若干标准对某些群体进行多方面歧视。我们讨论了三个主要的例子(信贷申请;大学录取;保险合同),并绘制出我们的方法的法律和政策含义。个人和群体公平之间的权衡的明确形式化允许这种后处理方法被定制为不同的情境上下文,其中一个或另一个公平标准可能优先。最后,我们对我们的模型进行了实验评估。
2019-09-24 cs.CY stat.ML
Fairness in Social Influence Maximization via Optimal Transport
针对社会影响力最大化中现有公平性指标忽略扩散随机性的问题,本文提出基于最优传输理论的互公平性指标及种子选择算法,在提升公平性的同时保持较高效率。
2025-01-30 cs.CY cs.SI math.CO
Towards a Flexible Framework for Algorithmic Fairness
越来越多的学者寻求整合法律和技术见解,以打击人工智能系统中的偏见。近年来,为保证算法决策系统的非歧视性,提出了许多不同的定义。在本文中,我们首先简要描述了涵盖算法歧视案件的欧盟法律框架。其次,我们提出了一个算法,利用最佳运输提供了一个灵活的框架,不同的公平性定义之间的插值。第三,我们表明,在现实世界的场景中实施算法公平性干预仍然存在重要的规范和法律挑战。总体而言,本文旨在促进寻求灵活的技术框架,可以适应不同的法律和规范的公平约束。
2020-10-15 cs.CY
Travel Demand Forecasting: A Fair AI Approach
University of Florida(佛罗里达大学);Bloomberg(彭博社)
针对AI出行需求预测中的多属性公平性问题,本文提出衡量预测准确性与多个受保护属性相关性的新型公平正则化项,并在芝加哥和奥斯汀网约车数据上验证其能兼顾准确性与公平性且优于三种基线方法。
2023-09-25 cs.AI cs.CY cs.LG
Algorithmic Fairness
Tel-Aviv University(特拉维夫大学)
越来越多的关于人类日常生活的决策正在由人工智能(AI)算法控制,从医疗保健,交通和教育到大学招生,招聘,提供贷款等领域。由于它们现在涉及我们生活的许多方面,因此开发不仅准确而且客观公正的人工智能算法至关重要。最近的研究表明,算法决策可能是固有的倾向于不公平的,即使是没有intention.This本文提出了一个概述的主要概念,识别,测量和改善算法公平性时,使用AI算法。本文首先讨论了算法偏见和不公平的原因,以及公平性的常用定义和度量。然后,公平性增强机制进行了审查,并分为预处理,过程中和后处理机制。然后对这些机制进行全面比较,以便更好地了解在不同情况下应使用哪些机制。然后,本文介绍了最常用的公平性相关的数据集在这一领域。最后,本文通过回顾几个新兴的研究子领域的算法公平性结束。
2020-01-21 cs.AI cs.CY cs.LG
Differentially Private Post-Processing for Fair Regression
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Waterloo(滑铁卢大学);Vector Institute(矢量研究所)
本文提出一种差分隐私后处理算法,通过直方图密度估计、拉普拉斯机制和Wasserstein重心对回归器输出进行重映射,在保护隐私的同时实现统计均等公平性,并分析了箱数选择带来的偏差-方差权衡。
2024-05-07 cs.CR cs.CY cs.LG
What Makes a Fairness Gap Actionable? Statistical Actionability for Responsible AI Deployment
Central Michigan University(中密歇根大学)
该研究提出统计可操作性框架,整合多维度公平性证据生成部署建议,在模拟中降低决策成本,可区分相似公平差距审计,为负责任AI部署提供决策层支持。
2026-08-19 cs.CY stat.ME
Balancing Fairness and Efficiency in Traffic Routing via Interpolated Traffic Assignment
系统最优(SO)路由,其中所有用户的总旅行时间最小化,是一个圣杯的运输当局。然而,SO路由可能会歧视那些为了实现高系统效率而招致比其他人大得多的旅行时间的用户,即,总旅行时间短。为了解决SO路由固有的不公平性,我们研究了$β$ -公平SO问题,其目标是最大限度地减少总旅行时间,同时保证${β\geq 1}$水平的不公平性,它指定了最大可能的比例之间的旅行时间的不同用户共享的起源和目的地。为了获得可行的解决方案的$β$ -公平SO问题,同时实现高系统效率,我们开发了一个新的凸规划,插值交通分配问题(I-TAP),它插入之间的公平促进和效率促进交通分配目标。我们评估的效率I-TAP通过理论界的总系统的旅行时间和水平的不公平性方面的插值参数,以及I-TAP和一个国家的最先进的算法在一系列的交通网络之间的数值比较。数值结果表明,我们的方法是快了几个数量级的基准算法相比,同时实现更高的系统效率为所有理想的水平的不公平。我们进一步利用I-TAP的结构,开发两种定价机制,共同执行I-TAP解决方案中存在的自私的同质和异构的用户,分别独立地选择路线,以尽量减少自己的旅行成本。我们提到,这是第一次在一般道路网络公平路由的背景下研究定价(与之相反,例如,平行公路网)。
2022-02-09 cs.CY cs.SY eess.SY
Understanding and Developing Equitable and Fair Transportation Systems
交通系统是基础设施、车辆和政策之间的相互作用。在过去的一个世纪里,道路网络的快速扩张,加上不断增长的车辆生产和机动性需求,一直在强调系统的能力,并导致令人震惊的年度成本。为了减轻这些成本,同时为乘客提供安全高效的旅行体验,我们需要更好地设计和规划我们的交通系统。首先,不仅我们的道路网络设计在拓扑上存在缺陷,而且我们的基础设施也可能助长不平等:道路和桥梁被发现更好地连接了富裕阶层,而将穷人排除在外。虽然互联和自动驾驶汽车(CAV)等技术进步以及共享经济等新的运营模式提供了新的机会,但问题仍然存在。首先,道路网络、社区发展、人口结构和流动行为之间的关系是什么?其次,通过利用研究第一个问题的见解,我们是否可以更好地规划、协调和优化不同模式的车辆,如人类驾驶和自动驾驶,以构建安全、高效和有弹性的交通流?第三,我们如何建立智能交通系统,促进社区发展的公平和公正?这项建议是回答这些问题的第一步。
2022-09-21 cs.CY
A Fair and Ethical Healthcare Artificial Intelligence System for Monitoring Driver Behavior and Preventing Road Accidents
American University of the Middle East(美国中东大学);University of Toronto(多伦多大学)
本文提出了一种新的方法,以防止交通事故和监测驾驶员的行为,使用医疗保健人工智能系统,结合公平和道德。危险的医疗案件和驾驶员的异常行为被检测到。公平算法是为了改善决策和解决道德问题,如隐私问题,并考虑在医疗保健和驾驶人工智能领域出现的挑战。医疗保健专业人员将被警告任何不寻常的活动,并在必要时提供驾驶员的位置,以便使医疗保健专业人员能够立即帮助不稳定的驾驶员。因此,使用医疗保健AI系统可以预测并因此预防事故,并且可以基于与ER系统交互的车辆内的内置AI系统来挽救生命。
2021-11-08 cs.AI cs.CY cs.HC