Neue Methode garantiert kontinuierliche Gruppenfairness in Datenströmen

Wissenschaftler haben ein neues Modell entwickelt, das kontinuierliche Gruppenfairness in Datenströmen gewährleistet. Dabei wird die Fairness auf einer feineren Granularitätsebene – dem sogenannten Block – innerhalb jedes gleitenden Fensters sichergestellt.

Das Modell ist besonders nützlich, wenn die Fenstergröße groß ist, denn dann ist es sinnvoll, Fairness auf Blockebene zu kontrollieren. Die Autoren haben zwei zentrale Probleme gelöst: Erstens die effiziente Überwachung, ob jedes Fenster die Block‑Fairness erfüllt, und zweitens die optimale Neuordnung des aktuellen Fensters, wenn Fairness verletzt wird.

Zur Echtzeit‑Überwachung wurden skizzierungsbasierte Datenstrukturen entworfen, die die Attributverteilungen mit minimalem Overhead speichern. Diese Strukturen ermöglichen eine schnelle Erkennung von Fairness‑Verstößen.

Für die Neuordnung des Fensters wurden optimale und effiziente Algorithmen entwickelt, die mit strengen theoretischen Garantien untermauert sind. Diese Algorithmen können das Fenster so umsortieren, dass die Block‑Fairness maximiert wird.

In vier realen Streaming‑Szenarien zeigte die Evaluation, dass die Lösung Millisekunden‑Verarbeitungsgeschwindigkeiten erreicht und durchschnittlich etwa 30.000 Anfragen pro Sekunde verarbeitet. Die Neuordnung verbessert die Block‑Fairness in einigen Fällen um bis zu 95 % und im Durchschnitt um 50‑60 % im Vergleich zu herkömmlichen Ansätzen.

Eine qualitative Untersuchung verdeutlicht zudem die Vorteile der Block‑Fairness gegenüber der herkömmlichen Fenster‑Fairness, indem sie zeigt, dass feinere Granularität zu einer gerechteren Verteilung von Ressourcen führt.