DECAF: Learning to be Fair in Multi-agent Resource Allocation
Washington University in St Louis(圣路易斯华盛顿大学)
本文提出DECAF方法,将资源分配问题形式化为DECA问题,并基于双重深度Q学习设计三种策略,在多智能体资源分配中实现公平与效用的灵活在线权衡,优于现有公平MARL方法。
2025-02-06 cs.CY cs.LG cs.MA
In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
Zhejiang University(浙江大学);OPPO Research Institute(OPPO研究院)
提出In-UCDS框架,通过约束支配集聚类和公平性损失处理,解决推荐系统用户导向公平性问题,并在三个数据集上验证其优于现有方法。
2023-09-04 cs.CY cs.IR cs.LG
What is Fair? Exploring Pareto-Efficiency for Fairness Constrained Classifiers
Courant Institute of Mathematical Sciences, New York University(纽约大学柯朗数学科学研究所);Google AI(谷歌人工智能)
学习模型放大现有社会偏见的潜力已得到广泛认可。公平感知分类器约束,它适用于在敏感属性(如种族和性别)上定义的子组之间的性能的平等度量,试图纠正不公平,但可能会产生不均匀的性能下降偏斜的数据集。在某些领域,不平衡的性能下降可能会产生另一种形式的无意偏见。本着构建公平意识算法作为社会当务之急的精神,我们探索了一种替代方案:帕累托有效公平(PEF)。从理论上讲,我们证明了PEF确定的帕累托曲线上的分组性能最接近的公平超平面,最大限度地提高多个子群的准确性的操作点。从经验上讲,我们证明,PEF优于实现帕累托水平的准确性相比,严格的公平性约束,在几个UCI数据集的所有子组。
2019-10-30 cs.LG stat.ML
Trading Utility for Dynamic Fairness in Multiple Resource Division with Sequential Demand
Computer Science Dept. University of Illinois Chicago(伊利诺伊大学芝加哥分校计算机科学系)
提出一种神经分配机制,通过多目标优化在顺序分配中平衡公平与效用,实现更高的效用同时保持可比公平性。
2026-06-09 cs.GT cs.LG
On the Vulnerability of Fairness Constrained Learning to Malicious Noise
Toyota Technological Institute, Chicago(丰田理工学院芝加哥分校)
研究公平性约束学习对训练数据中恶意噪声的脆弱性,提出允许随机化分类器以绕过对手放大能力的技巧,将 Demographic Parity 和 Equal Opportunity 等公平性约束下的准确率损失降至 $Θ(α)$ 或 $O(\sqrtα)$,提供了更细粒度的乐观分析。
2024-08-22 cs.AI cs.CR cs.CY
Interventional Fairness on Partially Known Causal Graphs: A Constrained Optimization Approach
School of Mathematics and Statistics, The University of Melbourne(墨尔本大学数学与统计学院);School of Data Science, Fudan University(复旦大学数据科学学院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对现有因果公平方法依赖完全已知因果图的局限,提出基于PDAG的约束优化框架,在因果图部分已知时平衡公平性与预测准确率,经模拟和真实数据集验证有效。
2024-03-08 cs.LG
Towards Reward Fairness in RLHF: From a Resource Allocation Perspective
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院);Beijing Key Laboratory of Research on Large Models and Intelligent Governance(北京大型模型与智能治理研究重点实验室);Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE(下一代智能搜索与推荐工程技术研究中心,教育部);Kuaishou Technology(快手科技);University of Chinese Academy of Sciences(中国科学院大学)
针对RLHF中奖励存在多种偏差导致的不公平问题,本文从资源分配视角提出与偏差无关的方法,通过公平性正则化和公平性系数实现奖励公平,实验表明该方法能更公平地使LLMs与人类偏好对齐。
2025-05-29 cs.AI cs.LG
Cubic-Regularized Newton for Spectral Constrained Matrix Optimization and its Application to Fairness
University of Minnesota(明尼苏达大学)
利用矩阵函数将光滑谱约束矩阵最优化问题改写为对称矩阵集上的光滑无约束问题,然后用正则化牛顿法求解.证明了矩阵函数的二阶链式法则恒等式可以计算高阶导数来实现三次正则化牛顿,并对矩阵向量空间的三次正则化牛顿提供了新的收敛性分析。我们证明了我们的方法的适用性进行数值实验合成和真实的数据集。在我们的实验中,我们制定了一个新的模型来估计公平和强大的协方差阵的泰勒的M-估计(TME)模型的精神,并证明其优势。
2022-09-02 cs.LG math.OC
Efficient Resource Allocation with Fairness Constraints in Restless Multi-Armed Bandits
Singapore Management University(新加坡管理大学)
不安的多武装土匪(RMAB)是一个适当的模型,代表决策问题,在公共卫生干预措施(例如,结核病、孕产妇和儿童保健)、反偷猎规划、传感器监测、个性化建议等等。现有的研究在RMAB的机制和理论成果,以各种各样的设置,重点是最大限度地提高预期价值。在本文中,我们感兴趣的是确保RMAB决策也是公平的不同武器,同时最大限度地提高期望值。在公共卫生背景下,这将确保不同的人和/或社区在作出公共卫生干预决定时得到公平的代表。为了实现这一目标,我们正式定义的公平性约束在RMAB和规划和学习方法,以解决公平的方式解决RMAB。我们展示了公平的RMAB的关键理论属性和实验证明,我们提出的方法处理公平性约束,而不会牺牲显着的解决方案质量。
2022-07-27 cs.LG
Privacy Constrained Fairness Estimation for Decision Trees
Department of Information and Computing Sciences, Utrecht(乌得勒支信息与计算科学系);Responsible AI Team, Dutch Central Government Audit Service(荷兰中央政府审计服务责任AI团队)
本文研究了在决策树中结合差分隐私的公平性估计问题,提出了一种隐私感知的规则公平性估计方法,通过实验和理论分析证明该方法在可解释性较高的决策树上表现更优。
2023-12-13 cs.CR cs.CY cs.LG
Convex Fairness Constrained Model Using Causal Effect Estimators
The University of Tokyo(东京大学);RIKEN(理化学研究所)
近年来,人们对机器学习中的公平性进行了大量研究。在这里,平均差异(MD)或人口均等是最流行的公平措施之一。然而,MD不仅量化了歧视,还量化了解释性偏差,即由解释性特征证明的结果差异。在本文中,我们设计了新的模型,称为FairCEEs,消除歧视,同时保持解释性偏见。该模型基于利用倾向得分分析的因果效应估计值。我们证明了FairCEEs的平方损失理论上优于一个天真的MD约束模型。我们提供了一种有效的算法来解决回归和二进制分类任务中的FairCEE。在我们对这两项任务中的合成和真实数据进行的实验中,FairCEE的表现优于现有的模型,该模型考虑了特定情况下的解释性偏差。
2020-02-16 cs.AI cs.LG stat.ML
Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints
Harvard University(哈佛大学);Microsoft Research(微软研究院)
本文提出多目标多重性框架,研究资源约束下目标变量选择对模型公平性的影响,发现目标选择导致的多重性可超过单目标近似最优模型。
2023-06-23 cs.CY cs.LG
It's Not Fairness, and It's Not Fair: The Failure of Distributional Equality and the Promise of Relational Equality in Complete-Information Hiring Games
University of Michigan(密歇根大学);Western University(韦仕敦大学)
现有的努力,制定公平的计算定义主要集中在平等的分配概念,平等是由系统中的个人的资源或决定。然而,现有的歧视和不公正往往是不平等社会关系的结果,而不是资源分配不平等的结果。在这里,我们展示了如何优化现有的计算和经济的公平和平等的定义未能防止不平等的社会关系。为了做到这一点,我们提供了一个例子,在一个简单的招聘市场,是相对不平等的,但满足现有的公平分配概念的自我确认均衡。在这样做的时候,我们引入了一个概念,公然的关系不公平的完全信息游戏,并讨论这个定义如何有助于启动一个新的方法,将关系平等到计算系统。
2022-09-12 cs.CY cs.GT cs.LG
FNNC: Achieving Fairness through Neural Networks
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
在分类模型中,公平性可以通过求解约束优化问题来保证。我们专注于公平性约束,如差异影响,人口均等和均衡赔率,这是不可分解和非凸的。研究人员定义凸代理的约束,然后应用凸优化框架,以获得公平的分类器。代理仅作为实际约束的上界,凸化公平约束可能具有挑战性。我们提出了一个基于神经网络的框架,\emph{FNNC},以实现公平性,同时保持高精度的分类。使用拉格朗日乘数将上述公平性约束包括在损失中。我们证明了泛化误差的约束损失渐近为零的界限。该网络使用两步小批量随机梯度下降优化。我们的实验表明,FNNC的表现一样好的最先进的,如果不是更好。实验证据补充了我们的理论保证。总之,我们有一个自动化的解决方案来实现分类的公平性,这是很容易扩展到许多公平性约束。
2020-05-07 cs.LG stat.ML
Fairness-Constrained Optimization Attack in Federated Learning
University of Surrey, U.K.(英国萨里大学);The Alan Turing Institute, London, U.K.(艾伦·图灵研究所);The University of Warwick, U.K.(沃里克大学);The University of Essex, UK(埃塞克斯大学);Indian Institute of Technology (BHU), Varanasi(印度理工学院(班加罗尔));University of Louisville, USA(路易斯维尔大学);University of North Texas, USA(北德克萨斯大学);Indian Institute of Technology Patna(印度理工学院帕纳布)
本文提出一种联邦学习中的公平性攻击,通过优化公平性损失使恶意客户端发送有偏模型,在保持全局准确率的同时将偏见提升至90%,且难以被现有鲁棒聚合方案检测。
2025-10-14 cs.CR cs.LG
Reproducing FACTER: Fairness via Conformal Thresholding and Prompt Repair
University of Amsterdam(阿姆斯特丹大学)
本研究复现了FACTER框架,发现其在严格复现下推荐效用存在差异,并引入静态公平零样本基线,表明动态修复机制在约束重排序中收益有限。
2026-06-26 cs.CY cs.IR cs.LG
Operationalizing Fairness: Post-Hoc Threshold Optimization Under Hard Resource Limits
Department of Computer Science and Engineering, DUIET, Dibrugarh University, Assam, India(迪布鲁大学计算机科学与工程系,DUIET,阿萨姆,印度);Department of Computer Science and Engineering, MIT, Manipur University, 795003, India(曼尼普尔大学计算机科学与工程系,MIT,曼尼普尔大学,印度)
本文提出一种事后阈值优化框架,在硬性资源限制下平衡安全、效率与公平性,通过全局阈值确保合规,并证明关键性质,实验表明资源限制主导伦理优先级,框架在资源受限下保持高风险识别能力。
2026-02-26 cs.AI cs.LG
FL-NAS: Towards Fairness of NAS for Resource Constrained Devices via Large Language Models
University of Notre Dame(圣母大学);University at Buffalo(布法罗大学)
本文提出基于LLM的神经架构搜索框架FL-NAS,同时优化模型准确率、公平性和硬件部署效率,在资源受限设备上找到的DNN在几乎所有设计考量下均比SOTA高出数个数量级。
2024-02-09 cs.AI cs.LG
Constant-Factor Approximations for Doubly Constrained Fair k-Center, k-Median and k-Means
Department of Informatics, University of Cologne, Germany(科隆大学信息学院,德国);Heinrich Heine University Düsseldorf, Faculty of Mathematics and Natural Sciences, Germany(杜伊斯堡-艾森大学数学与自然科学学院,德国);Department of Informatics, University of Bonn, Germany(波恩大学信息学院,德国)
本文研究了在一般度量空间中受两种不同公平性条件约束的离散k聚类问题。针对k-聚类、k-中位数和k-均值问题,提出了常数因子近似算法,改进了k-聚类的近似因子并首次解决了k-中位数和k-均值的常数因子近似问题。
2026-04-17 cs.CY cs.DS cs.LG
End-to-End Fairness Optimization with Fair Decision-Focused Learning
School of Business Stevens Institute of Technology(史蒂文斯理工学院商学院)
该研究提出端到端公平性优化框架及公平决策聚焦学习范式,结合多任务学习处理预测与决策阶段的公平性问题,通过数值实验验证其在资源分配场景的有效性。
2026-08-11 cs.LG math.OC
Fairness based Multi-Preference Resource Allocation in Decentralised Open Markets
Nagoya Institute of Technology(名古屋工业大学);Kyoto University(京都大学)
在这项工作中,我们专注于资源分配在一个分散的开放市场。在分散的开放市场中,由多个供应商和多个动态到达的买家组成,从而使市场变得复杂和动态。因为,在这些市场中,供应商和买家之间的谈判发生在多个冲突的问题,如价格,可扩展性,鲁棒性,延迟等,因此,优化资源分配在这样的开放市场成为直接依赖于两个关键的决定,这是;纳入不同类型的买家的喜好,和公平的供应商启发策略。为此,在这项工作中,我们提出了一个三步资源分配的方法,采用了反向拍卖的范例。在第一步,优先级标签被附加到每个投标供应商的基础上提出的优先级机制。然后,在第二步骤中,针对购买者的所有不同种类的偏好计算偏好得分。最后,在第三步,基于供应商的优先级标签和偏好得分,确定获胜者。最后,我们比较了所提出的方法与两个国家的最先进的资源定价和分配策略。实验结果表明,该方法优于其他两种资源分配方法的独立效用的买方和公开市场的整体效用。
2021-09-01 cs.GT cs.LG cs.MA
Regularized Proportional Fairness Mechanism for Resource Allocation Without Money
JPMorgan AI Research(摩根大通人工智能研究院)
针对无货币资源分配中比例公平机制可利用性过高的问题,本文提出正则化比例公平网络RPF-Net,通过学习最可利用分配来正则化PF输出,在保持社会福利的同时降低虚报激励,并给出泛化保证与实验验证。
2025-01-02 cs.GT cs.LG
EcoFair-CH-MARL: Scalable Constrained Hierarchical Multi-Agent RL with Real-Time Emission Budgets and Fairness Guarantees
本文提出EcoFair-CH-MARL框架,通过引入双重预算层、公平性奖励转换器和两级策略架构,实现高效、可持续且公平的海运物流解决方案,实验显示其在排放、吞吐量和公平性方面优于现有方法。
2026-03-15 cs.AI cs.LG cs.MA
Consistency of Constrained Spectral Clustering under Graph Induced Fair Planted Partitions
IBM Research(IBM研究院);Indian Institute of Science(印度科学学院)
谱聚类在实践者和理论家中都很受欢迎。虽然谱聚类的性能保证是很好理解的,但最近的研究集中在集群中执行“公平性”,要求它们相对于分类敏感节点属性(例如,集群中的种族分布必须匹配种群中的种族分布)进行“平衡”。在本文中,我们考虑一个设置敏感属性间接体现在一个辅助\textit{representation graph},而不是直接观察。该图指定可以相对于敏感属性彼此表示的节点对,并且除了通常的\textit{similarity graph}之外还观察到该节点对。我们的目标是在相似性图中找到聚类,同时尊重由表示图编码的新的个人级公平性约束。我们为此任务开发了非规范化和规范化谱聚类的变体,并在由表示图诱导的\emph{fair}种植分区模型下分析了它们的性能。该模型使用节点的簇成员关系和表示图的结构来生成随机相似图。据我们所知,这些是第一个一致性结果约束谱聚类下的个人水平的公平性约束。数值结果证实了我们的理论研究结果。
2022-09-24 cs.CY cs.LG stat.ML
Tuning Fairness by Balancing Target Labels
University of Sussex(萨塞克斯大学);University of Exeter(埃克塞特大学)
机器学习模型中的公平性问题最近吸引了很多关注,因为确保它将确保公众对机器学习系统部署的持续信心。我们专注于减轻有偏见的机器学习系统所造成的伤害,该系统为某些群体提供比其他群体更好的输出(例如贷款,工作面试)。我们表明,在输出中的偏差可以自然地控制概率模型,通过引入一个潜在的目标输出。这个公式有几个优点:第一,它是一个统一的框架,几个群体公平的概念,如人口均等和机会均等;第二,它被表达为一个边缘化,而不是一个受约束的问题;第三,它允许编码我们的知识应该是什么样的无偏输出。实际上,第二个允许我们避免不稳定的约束优化程序,并重用现成的工具箱。后者转化为通过直接改变公平目标速率来控制公平水平的能力。相比之下,现有的方法依赖于中间,可以说是不直观的,控制参数,如协方差阈值。
2021-02-23 cs.LG stat.ML
Guarantees for Spectral Clustering with Fairness Constraints
Rutgers University(罗格斯大学);Georgia Tech(佐治亚理工学院)
鉴于谱聚类(SC)用于划分图数据的广泛流行,我们研究了一种受约束的SC版本,其中我们试图纳入Chierichetti等人提出的公平性概念。根据这个概念,如果每个人口统计组在每个聚类中近似地按比例表示,则聚类是公平的。为此,我们开发了规范化和非规范化约束SC的变体,并表明它们有助于在合成和真实数据上找到更公平的聚类。我们还提供了一个严格的理论分析,我们的算法上的一个自然的随机块模型,其中$h$组有很强的组间连接,但也表现出一个“自然”的聚类结构,这是公平的。我们证明,我们的算法可以恢复这种公平的聚类概率很高。
2019-05-10 cs.DS cs.LG stat.ML
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
Fair Online Resource Allocation
Columbia University, IEOR Department(哥伦比亚大学工业工程与运营研究系);Cornell Tech(康奈尔科技学院);Universidad de Chile(智利大学)
研究在线资源分配中的公平性问题,提出基于对偶镜像下降的算法,在批次内强制执行公平约束,实现亚线性遗憾,并通过难民数据验证了福利与公平的权衡。
2026-06-19 cs.DS cs.GT cs.LG
Training Well-Generalizing Classifiers for Fairness Metrics and Other Data-Dependent Constraints
Google AI(谷歌人工智能);Toyota Technological Institute at Chicago(芝加哥丰田技术研究院);Cornell University(康奈尔大学);Kakao Mobility(Kakao出行)
分类器可以用数据相关的约束来训练,以满足公平性目标,减少流失,实现有针对性的误报率或其他策略目标。我们研究了这种约束优化问题的泛化性能,考虑到它们在训练时得到满足,在评估时约束得到满足的程度。为了提高泛化性能,我们将问题框定为两个玩家的游戏,其中一个玩家在训练数据集上优化模型参数,另一个玩家在独立的验证数据集上执行约束。我们建立在最近的工作在两个球员的约束优化表明,如果使用这种两个数据集的方法,那么约束泛化可以显着提高。正如我们实验所示,这种方法不仅在理论上,而且在实践中。
2018-09-28 cs.LG stat.ML
humancompatible.train: Implementing Optimization Algorithms for Stochastically-Constrained Stochastic Optimization Problems
Artificial Intelligence Center, Czech Technical University in Prague(捷克技术大学布拉格分校人工智能中心)
本文提出humancompatible.train,一个基于PyTorch的可扩展Python包,用于实现随机约束随机优化算法,并通过公平性约束任务验证其有效性。
2025-09-25 cs.LG math.OC
Distributive Justice and Fairness Metrics in Automated Decision-making: How Much Overlap Is There?
University of Mannheim(曼海姆大学);LMU Munich(慕尼黑大学);University of Maryland(马里兰大学)
强大的预测算法的出现导致了有关政府支出和福利支持等稀缺资源分配的高风险决策的自动化程度提高。这种自动化有可能使弱势群体和历史上处于不利地位的群体遭受不必要的歧视。计算机科学和其他学科中对算法歧视的研究开发了大量的公平性度量来检测和纠正歧视性算法。借鉴强大的社会学和哲学话语分配正义,我们确定的局限性和突出的公平指标的问题的影响。我们发现,实现机会均等的指标只适用于资源分配是基于应得的,但失败时,分配应该反映对平等主义,充足性和优先级的关注。我们认为,通过明确区分预测任务和决策任务,公平机器学习的研究可以更好地利用丰富的文献分配正义。
2021-05-06 cs.LG stat.ML
Regularized Online Allocation Problems: Fairness and Beyond
Columbia Business School(哥伦比亚大学商学院);Google Research(谷歌研究院);University of Chicago Booth School of Business(芝加哥大学布斯商学院);Google(谷歌)
具有资源约束的在线分配问题在运筹学中有着丰富的历史。在本文中,我们介绍了\emph{regularized online allocation problem},一个变种,其中包括一个非线性正则化的总资源消耗。在这个问题中,请求会随着时间的推移重复到达,对于每个请求,决策者需要采取一个产生奖励并消耗资源的行动。我们的目标是同时最大化可加可分的回报和一个不可分的正则化的资源约束下的价值。我们的主要动机是允许决策者权衡可分离的目标,如分配的经济效率与辅助,不可分离的目标,如分配的公平或公正。我们设计了一个简单、快速的算法,并且在随机i.i.d.~和对抗性输入。特别是,我们的算法是渐近最优下随机i.i.d.当输入是对抗性的时,输入建模并获得取决于正则化器的固定竞争比。此外,该算法和分析不需要报酬函数和消费函数的凸性或凸性,这允许更大的模型灵活性。数值实验证实了所提出的算法和正则化在互联网广告应用中的有效性。
2021-11-05 cs.LG math.OC
FEIR: Quantifying and Reducing Envy and Inferiority for Fair Recommendation of Limited Resources
Ghent University(根特大学)
针对有限资源推荐场景的公平性需求,提出自卑感度量以补充嫉妒概念,结合效用重构出可微损失,构建FEIR后处理多目标优化框架,实验证明其能优化三者间权衡。
2023-11-08 cs.IR cs.LG
Online Learning Demands in Max-min Fairness
University of California, Berkeley(加州大学伯克利分校)
我们描述了一种机制,在多个用户之间的稀缺资源的分配方式,是有效的,公平的,和策略证明,但当用户不知道他们的资源需求。该机制在多轮中重复,并且用户的要求可以在每轮中改变。在每一轮结束时,用户提供关于他们收到的分配的反馈,使该机制能够随着时间的推移学习用户的偏好。这种情况在组织中的许多用户之间共享使用计算集群时很常见,其中所有团队可能都不精确地知道执行其工作所需的资源量。通过低估他们的需求,用户将收到比他们需要的少,从而无法实现他们的目标。通过夸大他们,他们可能会吸走宝贵的资源,这些资源可能对组织中的其他人有用。我们正式这个任务的在线学习公平分工,通过效率,公平性和战略的证明适用于这种设置的概念,并研究这个问题下三种类型的反馈:当用户的意见是确定性的,当他们是随机的,并遵循参数模型,当他们是随机的和非参数。我们从经典的最大-最小的公平程序,实现这些不公平的启发机制,并量化的程度,他们通过渐近速率实现。我们证实了这些见解与合成问题和网络服务任务的实验评估。
2020-12-15 cs.AI cs.LG stat.ML
Parameterized Fair Resource Allocation under Diversity Constraints
Huazhong University of Science and Technology(华中科技大学);McGill University(麦吉尔大学);The University of British Columbia(不列颠哥伦比亚大学);National University of Singapore(新加坡国立大学)
本文提出PRA及自适应变体APRA框架,将多样性约束下的资源分配从硬性条件优化转为柔性参数调节,兼顾公平性与效率,在真实应用中性能优于现有基准。
2026-07-30 cs.LG cs.SI
Meta Optimality for Demographic Parity Constrained Regression via Post-Processing
University of Tsukuba(筑波大学);RIKEN AIP(日本理化学研究所人工智能项目)
针对人口统计奇偶约束下的回归问题,提出可验证公平极小极大最优回归算法的元定理,并证明该最优回归可通过后处理实现,便于传统回归技术适配公平场景。
2025-06-16 cs.LG stat.ML
Stochastic Penalty-Barrier Method for Constrained Machine Learning
Artificial Intelligence Center, CTU in Prague(布拉格CTU人工智能中心);CMAP, École Polytechnique, Palaiseau, France(法国巴黎高等理工学院帕莱索校区CMAP)
本文提出了一种随机罚函数-障碍方法(SPBM),用于解决深度学习中非凸、非光滑、随机环境下的约束优化问题,该方法通过指数对偶平均、稳定罚函数调度和Moreau包络来处理非光滑性,并在多个设置中验证了其性能。
2026-10-07 cs.AI cs.LG
Doubly Constrained Fair Clustering
University of Maryland, College Park(马里兰大学帕克分校);University of Washington(华盛顿大学)
本文研究公平聚类中群体公平性(GF)与中心选择多样性(DS)两种约束的关系,证明从单一约束的常数近似算法可得到同时满足两种约束的常数近似解,并揭示了二者与其他基于距离的公平性概念的不兼容性。
2023-05-31 cs.AI cs.DS cs.LG
Private Rate-Constrained Optimization with Applications to Fair Learning
University of Toronto(多伦多大学);Vector Institute(向量研究所)
针对差分隐私下的率约束优化问题,提出RaCO-DP算法,通过SGDA的拉格朗日形式处理约束,额外隐私代价仅限于每步小批量直方图估计,理论证明收敛,实验在公平约束下帕累托优于现有方法。
2026-07-01 cs.CR cs.LG stat.ML