Neues Verfahren: Fairness- und Kostenoptimierung in Online-Algorithmen

Ein kürzlich auf arXiv veröffentlichter Beitrag führt die gleichzeitige Berücksichtigung von Fairness und Aktionstiefen in Online-Optimierungsproblemen ein – ein Thema, das bislang noch nicht adressiert wurde. Der Autor zeigt, dass selbst ohne Wechselkosten keine Online-Algorithmen einen sublinearen Regret oder ein endliches Wettbewerbsverhältnis gegenüber dem optimalen Offline-Algorithmus erreichen können, wenn die Problemlänge T wächst. Diese Erkenntnis unterstreicht die fundamentalen Herausforderungen, die sich aus dem langfristigen Fairness-Regulierungskriterium ergeben, das auf der gesamten Aktionssequenz basiert.

Um diese Hürden zu überwinden, wird das neue Verfahren FairOBD (Fairness-regularized Online Balanced Descent) vorgestellt. FairOBD zerlegt die langfristige Fairnesskosten in eine Folge von Online-Kosten, indem ein Hilfsvariable eingeführt wird, die die Online-Aktionen für faire Ergebnisse reguliert. Durch einen innovativen Ansatz zur Berücksichtigung von Wechselkosten kann gezeigt werden, dass FairOBD ein asymptotisches Worst-Case-Wettbewerbsverhältnis gegenüber einem neu definierten Benchmark – dem optimalen Offline-Algorithmus mit parametrisierten Einschränkungen – erzielt, wenn T gegen unendlich geht.

Die Wirksamkeit von FairOBD wird in praxisnahen, trace‑getriebenen Experimenten zur dynamischen Bereitstellung von Rechenressourcen für sozial verantwortliche KI‑Inference demonstriert. Die Ergebnisse zeigen, dass FairOBD die Gesamtkosten, die durch Fairness‑Regulierung und Wechselkosten entstehen, signifikant senken kann und gleichzeitig faire Ergebnisse liefert. Dieser Ansatz eröffnet neue Perspektiven für die Entwicklung von Online-Algorithmen, die sowohl Effizienz als auch soziale Verantwortung in Einklang bringen.