論文の概要: A General Framework for Fairness in Multistakeholder Recommendations

• arxiv url: http://arxiv.org/abs/2009.02423v1
• Date: Fri, 4 Sep 2020 23:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 02:18:37.070560
• Title: A General Framework for Fairness in Multistakeholder Recommendations
• Title（参考訳）: マルチステークホルダ勧告における公平性のための一般的な枠組み
• Authors: Harshal A. Chaudhari, Sangdi Lin, Ondrej Linda
• Abstract要約: 本稿では,個人購入者対象と並行して販売者対象をリアルタイムにパーソナライズしたレコメンデーションシステムに組み込む汎用的な定式化を提案する。 我々は、高度にスケーラブルなサブモジュール最適化アルゴリズムを活用し、提案可能な理論的品質境界を持つバイヤーにレコメンデーションを提供する。
• 参考スコア（独自算出の注目度）: 1.503974529275767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contemporary recommender systems act as intermediaries on multi-sided platforms serving high utility recommendations from sellers to buyers. Such systems attempt to balance the objectives of multiple stakeholders including sellers, buyers, and the platform itself. The difficulty in providing recommendations that maximize the utility for a buyer, while simultaneously representing all the sellers on the platform has lead to many interesting research problems.Traditionally, they have been formulated as integer linear programs which compute recommendations for all the buyers together in an \emph{offline} fashion, by incorporating coverage constraints so that the individual sellers are proportionally represented across all the recommended items. Such approaches can lead to unforeseen biases wherein certain buyers consistently receive low utility recommendations in order to meet the global seller coverage constraints. To remedy this situation, we propose a general formulation that incorporates seller coverage objectives alongside individual buyer objectives in a real-time personalized recommender system. In addition, we leverage highly scalable submodular optimization algorithms to provide recommendations to each buyer with provable theoretical quality bounds. Furthermore, we empirically evaluate the efficacy of our approach using data from an online real-estate marketplace.
• Abstract（参考訳）: 現代のレコメンデーションシステムは、売り手から買い手への高ユーティリティレコメンデーションを提供するマルチサイドプラットフォーム上の仲介者として機能する。 このようなシステムは、売り手、買い手、プラットフォーム自体を含む複数の利害関係者の目標をバランスさせようとする。 プラットフォーム上での全ての販売者を同時に表現しながら、購入者の利便性を最大化するレコメンデーションを提供することの難しさは、多くの興味深い研究課題を招き、伝統的に、個々の販売者が推奨項目すべてに比例するように、包括的制約を組み込んで、すべての購入者に対するレコメンデーションを「emph{offline}」形式で計算する整数線形プログラムとして定式化されてきた。 このようなアプローチは、世界的な販売者カバレッジの制約を満たすために、一部の購入者が一貫して低いユーティリティ推奨を受けるという、予期せぬバイアスにつながる可能性がある。 そこで,本稿では,個々の購入者対象と並行して販売者対象を組み込んだ,リアルタイムパーソナライズドレコメンデーションシステムを提案する。 さらに,高度にスケーラブルなサブモジュール最適化アルゴリズムを利用して,提案可能な理論的品質境界を持つバイヤーにレコメンデーションを提供する。 さらに,オンライン不動産市場からのデータを用いて,本手法の有効性を実証的に評価した。

関連論文リスト

• Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
  競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。 我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
  論文  参考訳（メタデータ） (2024-11-20T18:06:55Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Fair Allocation in Dynamic Mechanism Design [57.66441610380448]
  競売業者が各ラウンドの買い手グループに、合計で$T$で分けない商品を販売している問題を考える。 競売人は、各グループの最低平均配分を保証する公正な制約に固執しつつ、割引された全体の収益を最大化することを目的としている。
  論文  参考訳（メタデータ） (2024-05-31T19:26:05Z)
• Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems [2.551933457838182]
  本研究は,AIに基づく価格アルゴリズムの競合的あるいは共謀的ダイナミクスを,レコメンデーションアルゴリズムがどのように決定するかを検討する。 実験結果から,販売者の利益最大化目標との一致により,収益ベースレコメンデータシステムにより,販売者間のアルゴリズム的共謀が促進されることが判明した。 需要ベースのレコメンデーションシステムは、売り手間の価格競争を促進させ、売り手の目標と不一致のため、価格を下げる。
  論文  参考訳（メタデータ） (2023-09-25T21:45:30Z)
• Interpolating Item and User Fairness in Multi-Sided Recommendations [13.635310806431198]
  我々は、新しいフェアレコメンデーションフレームワーク、問題(FAIR)を紹介します。 本稿では,リアルタイム学習とフェアレコメンデーションを同時に行う低レベルのアルゴリズム形式を提案する。 我々は,プラットフォーム収益を維持する上でのフレームワークと手法の有効性を実証するとともに,アイテムとユーザ双方に望ましい公平性を確保した。
  論文  参考訳（メタデータ） (2023-06-12T15:00:58Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• Learnable Strategies for Bilateral Agent Negotiation over Multiple Issues [6.12762193927784]
  本稿では,利己的なエージェントが複数の問題に対する交渉の仕方を学ぶことのできる,新たな二国間交渉モデルを提案する。 このモデルは、交渉中にエージェントが使うべき戦術を表す解釈可能な戦略テンプレートに依存している。 テンプレートパラメータを学習し、複数の交渉で受け取った平均効用を最大化し、最適な入札受理と生成をもたらす。
  論文  参考訳（メタデータ） (2020-09-17T13:52:18Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。