본 논문은 교육, 고용, 의료 등과 같은 중요한 분야에서 제한된 자원을 공정하게 할당하기 위한 새로운 프레임워크를 제안합니다. 이 프레임워크는 즉각적인 피드백을 가정하거나 개인 특성과 개입 역학 간의 복잡한 상호 작용을 무시하는 기존 학습 기반 할당 방식의 한계를 극복하고자 합니다. 특히, 지연된 피드백, 동적 인구, 용량 제약 및 시간 민감한 영향을 고려하여, 메타 레벨에서 공정성과 운영 제약을 충족하는 하위 그룹별 예산 할당을 최적화하고, 기본 레벨에서 관찰 데이터를 기반으로 훈련된 신경망을 사용하여 각 그룹 내에서 가장 반응이 빠른 개인을 식별하는 이중 레벨 문맥적 밴딧 프레임워크를 개발했습니다. 지연 시간과 지연된 처리 효과를 모델링하여, 새로운 데이터가 도착함에 따라 정책을 지속적으로 개선하고 더욱 적응적이고 반응적인 의사 결정을 가능하게 합니다. 교육 및 인력 개발 분야의 두 가지 실제 데이터 세트에 대해 성능을 검증하여, 누적 결과 개선, 지연 구조 적응력 향상, 하위 그룹 간의 공정한 분배를 보였습니다.
