Kredit: Pixabay/CC0 Public Domain
NĂ€r organisationer behöver dela upp odelbara föremĂ„l mellan flera parter med olika behov och preferenser â som att tillhandahĂ„lla begrĂ€nsade covid-19-vacciner till medicinska anlĂ€ggningar eller distribuera matbanksdonationer till familjer med olika kostrestriktioner â hur kan de sĂ€kerstĂ€lla att alla fĂ„r sin beskĂ€rda del ?
För att sÀkerstÀlla rÀttvis delning har ett forskarteam vid Penn State föreslagit tvÄ nya algoritmer för att berÀkningsmÀssigt garantera acceptabel tilldelning av bÄde önskvÀrda och oönskade varor, tjÀnster och uppgifter.
BÄda teamets algoritmer ber deltagarna att följa den ordinarie uppfattningen om rÀttvisa, som helt enkelt rangordnar vilka buntar av föremÄl som individen uppfattar som mer eller mindre önskvÀrda. Detta tillvÀgagÄngssÀtt förbÀttrar befintliga metoder för rÀttvis uppdelning genom att vara mer robust och mindre kÀnslig för förÀndringar eller brus i de vÀrden som lÀggs pÄ föremÄlen.
âOm du vet att du inte gillar att ta ut skrĂ€pet, men du inte vet exakt hur mycket du inte gillar att ta ut det, Ă€r de befintliga uppskattningarna vĂ€ldigt kĂ€nsliga för det; om du gör en liten justering kommer plötsligt hela lösningen att förĂ€ndrasâ, sĂ€ger Hadi Hosseini, bitrĂ€dande professor vid Penn State College of Information Sciences and Technology (IST), som ledde teamet. “Denna ordinarie approximation Ă€r inte kĂ€nslig för det, sĂ„ lĂ€nge du vanligtvis vet vilken syssla du ogillar mer eller vilket gott du gillar mest.”
Teamets algoritm för positivt vÀrderade föremÄl, som publicerades denna mÄnad i Journal of Artificiell Intelligens, bygger pÄ befintliga ramverk för att uppnÄ rÀttvisa genom att tilldela en enda mottagare av föremÄl att dela upp dem i separata paket som de anser Àr lika vÀrdefulla. Dessa objekt distribueras sedan efter att varje mottagare placerat ett vÀrde pÄ ett enda paket baserat pÄ deras preferenser. Mottagaren som delat upp föremÄlen Àr den sista som fÄr del.
Enligt Hosseini, men detta tillvÀgagÄngssÀtt garanterar inte rÀttvisa eftersom de delvis Àr för kÀnsliga för smÄ förÀndringar i en individs preferenser. I sitt nya ramverk garanterar Hosseinis team rÀttvisa genom att öka antalet paket som ska delas med 50 %.
“Om det Ă€r 10 personer, till exempel, skulle avdelaren lĂ€gga varorna i 15 buntar. Det Ă€r nĂ„got vi kan tillfredsstĂ€lla och berĂ€kna effektivtâ, förklarade Hosseini.
I detta tillvÀgagÄngssÀtt skulle varje deltagare sÀtta ett vÀrde pÄ individuella paket och identifiera en minimigrÀns för vilken distribution de skulle uppfatta som rÀttvis.
âVĂ„r metod ger en mer robust approximation; det Ă€r som om du lĂ€gger till dummy-individer och ber deltagarna att dela upp föremĂ„len rĂ€ttvist sĂ„ att alla mottagare Ă€r nöjdaâ, sa han.
Separat föreslog forskarna en andra algoritm för att dela upp oönskade föremÄl eller trÄkiga uppgifter, som att dela upp veckostÀdningsuppgifter mellan rumskamrater eller hantera avfallsborttagning inom en stad. Deras arbete publicerades i ett dokument som presenterades vid 2022 Ärs internationella konferens om autonoma agenter och multiagentsystem i maj.
Forskarna föreslog Äterigen konceptet att en deltagare delar upp uppgifter eller sysslor i buntar. Men den hÀr gÄngen reducerades antalet paket, vilket ökade det potentiella vÀrdet av var och en för deltagarna.
âFörestĂ€ll dig att det finns fyra buntar och det Ă€r sex personer; och ett av paketen har det lĂ€gsta vĂ€rdet för en deltagare, som heter Alice,â sa Hosseini. “Eftersom det hĂ€r Ă€r det lĂ€gsta vĂ€rdet ger detta en tröskel för Alice. Nu skulle Alice sĂ€ga ‘om jag fĂ„r nĂ„got bĂ€ttre Ă€n det hĂ€r, Ă€r jag glad’, eftersom vi packade mer grejer i fĂ€rre paket.”
Teamets resultat kan i slutĂ€ndan pĂ„verka datorsystem som stöder en mĂ€ngd olika varor eller resursallokeringsprocesser â inklusive distribution av matbanksdonationer, inskrivning av studenter till högskolekurser och schemalĂ€ggning av kirurger till operationssalar.
“I den verkliga vĂ€rlden kan du tĂ€nka pĂ„ hur resurser pĂ„ hög nivĂ„ kan fördelas till flera parter pĂ„ ett rĂ€ttvist sĂ€tt”, sa Hosseini. “Det Ă€r ett teoretiskt ramverk som kan tillĂ€mpas pĂ„ mĂ„nga anvĂ€ndningsfall.”
Ăverraskande populĂ€r röstningsalgoritm utvecklad för att Ă„terstĂ€lla rankade val
Mer information:
Hadi Hosseini et al, Ordinal Maximin Share Approximation for Goods, Journal of Artificial Intelligence Research (2022). DOI: 10.1613/jair.1.13317 TillhandahÄlls av Pennsylvania State University
Citat:Bra, dÄliga, rÀttvisa: Nya algoritmer kan hjÀlpa till att fördela varor eller sysslor rÀttvist (2022, 5 juli) hÀmtad 5 juli 2022 frÄn https://techxplore.com/news/2022-07-good-bad-fair-algorithms-goods. html
Detta dokument Àr föremÄl för upphovsrÀtt. Bortsett frÄn all rÀttvis handel i syfte att privata studier eller forskning, fÄr ingen del reproduceras utan skriftligt tillstÄnd. InnehÄllet tillhandahÄlls endast i informationssyfte.
HĂ„ll kontakten med oss ââpĂ„ sociala medieplattformar för omedelbar uppdatering klicka hĂ€r för att gĂ„ med i vĂ„r Twitter och Facebook
