論文の概要: On the Fairness of Randomized Trials for Recommendation with
Heterogeneous Demographics and Beyond
- arxiv url: http://arxiv.org/abs/2001.09328v3
- Date: Mon, 4 Oct 2021 02:39:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 23:57:44.253965
- Title: On the Fairness of Randomized Trials for Recommendation with
Heterogeneous Demographics and Beyond
- Title(参考訳): 不均質なデモグラフィーによる勧告のためのランダム化裁判の公正性について
- Authors: Zifeng Wang, Xi Chen, Rui Wen, Shao-Lun Huang
- Abstract要約: MNARバイアスを正すための一般的なアプローチは、小さなランダム化制御試行(RCT)を実行することである。
本研究では,同種集団と異種集団の両面において,RCTの公平性に焦点をあてる。
RCTの限界を考慮すると、我々は新しい対実ロバストリスク最小化フレームワークを提案する。
- 参考スコア(独自算出の注目度): 16.731296853805134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Observed events in recommendation are consequence of the decisions made by a
policy, thus they are usually selectively labeled, namely the data are Missing
Not At Random (MNAR), which often causes large bias to the estimate of true
outcomes risk. A general approach to correct MNAR bias is performing small
Randomized Controlled Trials (RCTs), where an additional uniform policy is
employed to randomly assign items to each user. In this work, we concentrate on
the fairness of RCTs under both homogeneous and heterogeneous demographics,
especially analyzing the bias for the least favorable group on the latter
setting. Considering RCTs' limitations, we propose a novel Counterfactual
Robust Risk Minimization (CRRM) framework, which is totally free of expensive
RCTs, and derive its theoretical generalization error bound. At last, empirical
experiments are performed on synthetic tasks and real-world data sets,
substantiating our method's superiority both in fairness and generalization.
- Abstract(参考訳): 推奨されるイベントは、政策による決定の結果であり、通常は選択的にラベル付けされる。すなわち、データはミス・ノー・アット・ランダム(MNAR)であり、真の結果のリスクを見積もることに大きなバイアスを引き起こすことが多い。
mnarバイアスを正す一般的なアプローチは、小さなランダム化制御試行(rcts)を行い、各ユーザーにアイテムをランダムに割り当てるために追加の統一ポリシーが適用される。
本研究では,同種集団と異種集団の両面でのRCTの公平性に着目し,特に後者の設定において最も好ましくない集団の偏りを分析する。
本研究では,rctsの限界を考慮し,高価なrctsを全く含まず,その理論上の一般化誤差を導出する,新しい反事実的ロバストリスク最小化(crrm)フレームワークを提案する。
最後に、実験的な実験が合成タスクと実世界のデータセット上で行われ、公平性と一般化の両方において、この手法の優越性が証明される。
関連論文リスト
- Comparing Targeting Strategies for Maximizing Social Welfare with Limited Resources [20.99198458867724]
さまざまな領域の5つの実世界のRCTのデータを用いて、そのような選択を経験的に評価する。
リスクベースのターゲティングは、治療効果の偏りのある推定値に基づいて、ほぼ常にターゲティングよりも劣っている。
論文 参考訳(メタデータ) (2024-11-11T22:36:50Z) - Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。
提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。
我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
論文 参考訳(メタデータ) (2023-10-14T13:56:24Z) - Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。
近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。
実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文 参考訳(メタデータ) (2023-06-08T18:10:37Z) - The Decaying Missing-at-Random Framework: Doubly Robust Causal Inference
with Partially Labeled Data [10.021381302215062]
現実のシナリオでは、データ収集の制限によって部分的にラベル付けされたデータセットが生成されることが多く、信頼性の高い因果推論の描画が困難になる。
半パラメトリック(SS)や欠落したデータ文学における従来のアプローチは、これらの複雑さを適切に扱えないため、偏りのある見積もりにつながる可能性がある。
このフレームワークは、高次元設定における欠落した結果に対処し、選択バイアスを考慮に入れます。
論文 参考訳(メタデータ) (2023-05-22T07:37:12Z) - Policy Evaluation in Distributional LQR [70.63903506291383]
ランダムリターンの分布を閉形式で表現する。
この分布は有限個の確率変数で近似できることを示す。
近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-03-23T20:27:40Z) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳(メタデータ) (2023-02-06T05:17:22Z) - Learning from a Biased Sample [3.546358664345473]
本稿では,テスト分布のファミリーで発生する最悪のリスクを最小限に抑える決定ルールの学習方法を提案する。
本研究では,健康調査データからメンタルヘルススコアの予測を行うケーススタディにおいて,提案手法を実証的に検証した。
論文 参考訳(メタデータ) (2022-09-05T04:19:16Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳(メタデータ) (2022-01-10T01:19:31Z) - Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。
特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。
次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
論文 参考訳(メタデータ) (2021-08-06T05:20:46Z) - Interventions for Ranking in the Presence of Implicit Bias [34.23230188778088]
帰属バイアス(英語: Implicit bias)とは、特定の社会的グループのメンバーに対する特定の性質(またはその欠如)の無意識の帰属である。
ルーニールール(英: Rooney Rule)は、サブセット選択問題の特定のケースにおける結果の有用性を改善するための制約である。
我々は、単純で解釈可能な制約の族を示し、それらが暗黙のバイアスを最適に軽減できることを示す。
論文 参考訳(メタデータ) (2020-01-23T19:11:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。