論文の概要: A Framework for Fairness in Two-Sided Marketplaces

• arxiv url: http://arxiv.org/abs/2006.12756v1
• Date: Tue, 23 Jun 2020 04:47:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 21:21:46.766917
• Title: A Framework for Fairness in Two-Sided Marketplaces
• Title（参考訳）: マーケットプレースにおけるフェアネスの枠組み
• Authors: Kinjal Basu, Cyrus DiCiccio, Heloise Logan, Noureddine El Karoui
• Abstract要約: 本稿では,機械学習システムを大規模に構築しながら,公平性を実現するための定義とエンドツーエンドフレームワークの開発を行う。 マーケットプレースのソースサイドとデスティネーションサイドの両方から公正な制約に対処できる最適化フレームワークを開発するために、事前作業を拡張します。 このフレームワークは、公正性の異なる定義に適応するのに十分な柔軟性があり、非常に大規模な設定で実装できる。
• 参考スコア（独自算出の注目度）: 7.178352722180915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many interesting problems in the Internet industry can be framed as a two-sided marketplace problem. Examples include search applications and recommender systems showing people, jobs, movies, products, restaurants, etc. Incorporating fairness while building such systems is crucial and can have a deep social and economic impact (applications include job recommendations, recruiters searching for candidates, etc.). In this paper, we propose a definition and develop an end-to-end framework for achieving fairness while building such machine learning systems at scale. We extend prior work to develop an optimization framework that can tackle fairness constraints from both the source and destination sides of the marketplace, as well as dynamic aspects of the problem. The framework is flexible enough to adapt to different definitions of fairness and can be implemented in very large-scale settings. We perform simulations to show the efficacy of our approach.
• Abstract（参考訳）: インターネット業界における多くの興味深い問題は、両面の市場問題とみなすことができる。 例えば、検索アプリケーションや、人、仕事、映画、製品、レストランなどを表示するレコメンデーションシステムなどがある。 このようなシステムを構築する際に公正さを取り入れることは非常に重要であり、社会的・経済的影響が深い(求職推薦、候補者の募集など)。 本稿では,このような機械学習システムを大規模に構築しながら,公平性を実現するための定義とエンドツーエンドフレームワークの開発を行う。 マーケットプレースのソース側とデスティネーション側の両方からの公正性制約に対処し、問題の動的な側面に対処できる最適化フレームワークを開発するために、事前作業を拡張する。 このフレームワークは公平性の異なる定義に適応するのに十分な柔軟性があり、非常に大規模な設定で実装できる。 我々のアプローチの有効性を示すためにシミュレーションを行う。

関連論文リスト

• A Human-in-the-Loop Fairness-Aware Model Selection Framework for Complex Fairness Objective Landscapes [37.5215569371757]
  ManyFairHPOはフェアネスを意識したモデル選択フレームワークで、実践者が複雑でニュアンスのあるフェアネスの客観的な風景をナビゲートすることを可能にする。 我々は,複数のフェアネス目標のバランス,自己充足的予言などのリスク軽減,公平性を考慮したモデリング決定における利害関係者の導出のための解釈可能な洞察の提供などにおけるMaryFairHPOの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-17T07:32:24Z)
• Social Choice for Heterogeneous Fairness in Recommendation [9.753088666705985]
  推薦システムにおけるアルゴリズムの公正性は、様々な利害関係者のニーズによく注意する必要がある。 それまでの作業はしばしば、公正性の固定された単目的の定義によって制限されてきた。 我々の研究は、計算社会の選択の観点からのフェアネスを推奨する。
  論文  参考訳（メタデータ） (2024-10-06T17:01:18Z)
• Towards Fair Allocation in Social Commerce Platforms [18.76499687585534]
  ソーシャルコマースプラットフォームは、ソーシャルネットワーク内の他の顧客に商品を宣伝する再販業者を通じて、生産者が製品を販売する新興企業である。 本研究では,ソーシャルコマースプラットフォームにおけるこのようなアロケーションの公平性に注目し,両面の基準条件の下では,不特定項目の公平な分割問題として再販売業者に商品を割り当てることの問題を定式化する。 我々の研究は、理論的・実験的両面から、ナッシュ社会福祉、1つの項目(EF1)までのエンビーフリーネス、最大1つの項目(EQ1)までのエクイティビリティなど、よく研究されたフェアネスのベンチマークを体系的に調査している。
  論文  参考訳（メタデータ） (2024-02-20T06:58:00Z)
• Causal Fairness for Outcome Control [68.12191782657437]
  本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。 本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。 次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T09:31:18Z)
• Can Fairness be Automated? Guidelines and Opportunities for Fairness-aware AutoML [52.86328317233883]
  本報告では、公平性に関連する害が発生する様々な方法の概要を概説する。 この方向に進むためには、いくつかのオープンな技術的課題を強調します。
  論文  参考訳（メタデータ） (2023-03-15T09:40:08Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• HyperFair: A Soft Approach to Integrating Fairness Criteria [17.770533330914102]
  我々は,ハイブリッドレコメンデータシステムにおいて,ソフトフェアネス制約を強制するフレームワークであるHyperFairを紹介する。 まず,確率的ソフトロジックレコメンデータシステムテンプレートの拡張として提案する手法を提案する。 複数のHyperFairハイブリッドレコメンデータを実装することで,私たちのアプローチを実証的に検証し,最先端のフェアレコメンデータと比較する。
  論文  参考訳（メタデータ） (2020-09-05T05:00:06Z)
• Ethical Adversaries: Towards Mitigating Unfairness with Adversarial Machine Learning [8.436127109155008]
  個人や組織は、モデルデザイナやデプロイ担当者が責任を持つように、不公平な結果に気付き、テストし、批判します。 トレーニングデータセットから生じる不公平な表現を緩和する上で,これらのグループを支援するフレームワークを提供する。 我々のフレームワークは公平性を改善するために2つの相互運用敵に依存している。
  論文  参考訳（メタデータ） (2020-05-14T10:10:19Z)
• SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
  本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。 本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
  論文  参考訳（メタデータ） (2020-05-02T15:15:50Z)

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。