온라인 일반화 평균 복지 극대화: 샘플을 통한 준최적 후회 달성
Online Generalized-Mean Welfare Maximization: Achieving Near-Optimal Regret from Samples
본 연구에서는 이질적인 선호도를 지닌 $n$명의 에이전트(agent)에게 순차적으로 도착하는 $T$개의 아이템을 공정하게 온라인으로 배분하는 문제를 다루며, $p\in (-\infty, 1)$에 대해 에이전트들의 시간 평균 효용의 $p$-평균으로 정의되는 일반화 평균 복지(generalized-mean welfare)를 극대화하는 것을 목표로 합니다. 먼저 독립동일분포(i.i.d.) 도착 모델을 고려하여, 복지를 극대화하는 정수 배분을 근시안적으로 선택하는 순수 탐욕(pure greedy) 알고리즘이 $\widetilde{O}(1/T)$의 평균 후회(average regret)를 달성함을 보입니다. 중요하게도, 선행 연구와 달리 본 알고리즘은 분포에 대한 사전 지식을 요구하지 않으며 온라인 샘플만을 사용하여 최적의 후회율을 달성합니다. 이어 i.i.d. 도착을 넘어 시간에 따라 변하는 독립 분포를 갖는 비정상(nonstationary) 모델을 연구합니다. 분포에 대한 추가 데이터가 없을 경우, 모든 온라인 알고리즘은 $Ω(1)$의 평균 후회를 겪을 수밖에 없다고 알려져 있습니다. 우리는 임의의 비정상성이 존재하는 상황에서도 각 분포로부터 얻은 단 하나의 과거 샘플만으로 최적의 $\widetilde{O}(1/T)$ 평균 후회율을 회복하기에 충분함을 보입니다. 제안하는 알고리즘은 재해결(re-solving) 패러다임에 기반하며, 남은 아이템들이 해당 기간에 과거에 관측되었던 아이템일 것이라 가정하고 그에 따른 복지 극대화 문제를 풀어 매 기간의 결정을 도출합니다. 마지막으로, 과거 샘플의 정확도를 왜곡할 수 있는 분포 변화(distribution shift)를 고려하고, 제안한 재해결 알고리즘의 성능이 이러한 변화에 대해 강건(robust)함을 입증합니다.