蛋糕上的樱桃：公平不是一个优化问题
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文探讨在线蛋糕切分问题的公平性，重点分析在线比例公平性和不嫉妒性。研究表明，在线“切-选”法有效防止代理勾结。通过理论与实验，分析不同公平性定义在机器学习中的应用，提出基于偏好的公平性概念，强调其相较于基于平等的公平性更为实用。
🔎
延伸解读
在线切分与勾结防御
文章指出，在线“切-选”法能有效防止代理勾结，且效果优于其他方法。这提示在动态分配场景中，简单的顺序机制可能比复杂优化更具鲁棒性。读者可关注其竞争比率分析，理解该方法在对抗性环境下的理论保证。
偏好公平 vs 平等公平
基于偏好的公平性概念被提出，并认为比基于平等的公平性更实用。这反映了公平定义从结果均等向个体偏好满足的转变。在机器学习应用中，这意味着公平约束需考虑用户异质性，而非简单追求统计 parity。
公平性定义的多样性
文章回顾了多个公平性定义，如比例公平、不嫉妒性、人口平等等，并指出不同场景下适用性不同。例如，自适应实验发现人们倾向人口平等，但福利分析表明严格公平标准可能违背帕累托原理。这提醒实践者需根据具体目标选择定义。
❓
Q&A
在线蛋糕切分问题的公平性主要包括哪些方面？
在线蛋糕切分问题的公平性主要包括在线比例公平性和不嫉妒性。
在线'切-选'法有什么优势？
在线'切-选'法能够有效防止代理勾结，并且效果更优秀。
基于偏好的公平性概念有什么实际应用？
基于偏好的公平性概念在机器学习中更为实用，尤其是在处理复杂的不公平场景时。
如何评估不同在线蛋糕切分方法的公平性？
通过理论与实验分析竞争比率来评估各种在线蛋糕切分方法的公平性。
在机器学习中，公平性定义的选择对结果有什么影响？
不同的公平性定义会影响机器学习模型的效果和公平性，选择合适的定义至关重要。
虚构博弈在公平性分配中有什么作用？
虚构博弈可以以O(1/√T)的速率收敛到公平的效用分配。
🏷️
