다양성 제약 조건 하에서의 매개변수 기반 공정한 자원 할당

Parameterized Fair Resource Allocation under Diversity Constraints

이커머스 추천 시스템, 주택 배정, 강좌 배정 등 다양한 응용 분야에서 여러 에이전트 그룹 간의 자원 할당 문제는 종종 집단 간 형평성을 보장하기 위해 다양성 제약 조건을 포함하는 최적화 문제로 구성됩니다. 기존 접근 방식은 일반적으로 이러한 제약 조건들을 엄격한 조건으로 적용하여, 실현 가능한 해 공간을 과도하게 제한하고 종종 비최적의 할당 결과를 초래합니다. 본 논문에서는 다양성 제약 조건 하에서 공정한 자원 할당을 위한 매개변수 기반 프레임워크인 PRA를 제안합니다. 경제 모델에서 사용되는 위험 회피 파라미터에서 영감을 받아, PRA는 집단 수준의 다양성을 부드럽게 조절하는 일련의 제어 가능한 불평등 회피 파라미터를 도입하여 공정성과 할당 효율성 간의 유연한 균형을 제공합니다. 적절하게 조정된 파라미터를 통해, PRA는 지정된 다양성 제약 조건을 준수하면서 공정성이 최적화된 할당 결과를 얻습니다. 또한, 추가적인 응용 프로그램별 제약 조건을 수용하기 위해 프레임워크를 적응형 변형인 APRA로 확장했습니다. 우리는 PRA와 APRA 모두 선택한 공정성 지표 및 추가 제약 조건의 종류에 관계없이 최적성을 유지함을 입증했으며, 이는 우리 접근 방식의 일반성과 견고성을 강조합니다. 세 가지 실제 응용 분야에서의 광범위한 실험 결과, 제안된 프레임워크가 기존 기준보다 효과 및 안정성 측면에서 일관되게 우수한 성능을 보임을 보여줍니다.

Resource allocation across multiple agent groups arises in many applications including e-commerce recommendation systems, housing assignment, and course allocation, and is commonly formulated as an optimization problem with diversity constraints to ensure group fairness. Existing approaches typically enforce these constraints as hard conditions, which overly restrict the feasible solution space and often lead to suboptimal allocations. In this paper, we propose PRA, a parameterized framework for fair resource allocation under diversity constraints. Inspired by the use of risk-aversion parameters in economic models, PRA introduces a set of controllable inequality-aversion parameters to softly regulate group-level diversity, thereby enabling flexible trade-offs between fairness and allocation efficiency. With appropriately calibrated parameters, PRA yields fairness-optimal assignments that comply with the specified diversity constraints. To accommodate additional application-specific constraints, we further extend the framework to an adaptive variant, APRA. We establish that the optimality of both PRA and APRA holds regardless of the chosen fairness metric and the nature of the additional constraints, underscoring the generality and robustness of our approach. Extensive experiments on three real-world applications demonstrate that our proposed framework consistently outperforms existing baselines in both effectiveness and robustness.