論文の概要: FaiREO: User Group Fairness for Equality of Opportunity in Course Recommendation

• arxiv url: http://arxiv.org/abs/2109.05931v1
• Date: Mon, 13 Sep 2021 13:00:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:12:05.329368
• Title: FaiREO: User Group Fairness for Equality of Opportunity in Course Recommendation
• Title（参考訳）: FaiREO:コース勧告における機会平等のためのユーザグループフェアネス
• Authors: Agoritsa Polyzou, Maria Kalantzi, George Karypis
• Abstract要約: 本稿では,コースレコメンデーションシステムに存在する可能性のあるバイアスを特定し,緩和することに焦点を当てる。 我々は,多目的最適化問題としてアプローチを定式化し,機会と品質のトレードオフについて検討する。
• 参考スコア（独自算出の注目度）: 7.5127108629060935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Course selection is challenging for students in higher educational institutions. Existing course recommendation systems make relevant suggestions to the students and help them in exploring the available courses. The recommended courses can influence students' choice of degree program, future employment, and even their socioeconomic status. This paper focuses on identifying and alleviating biases that might be present in a course recommender system. We strive to promote balanced opportunities with our suggestions to all groups of students. At the same time, we need to make recommendations of good quality to all protected groups. We formulate our approach as a multi-objective optimization problem and study the trade-offs between equal opportunity and quality. We evaluate our methods using both real-world and synthetic datasets. The results indicate that we can considerably improve fairness regarding equality of opportunity, but we will introduce some quality loss. Out of the four methods we tested, GHC-Inc and GHC-Tabu are the best performing ones with different advantageous characteristics.
• Abstract（参考訳）: 高等教育機関の学生にとってコース選択は難しい。 既存のコースレコメンデーションシステムは、学生に適切な提案を行い、利用可能なコースの探索を支援する。 これらの推奨コースは、学生の学位選択プログラム、将来の雇用、社会経済的地位にも影響を与えうる。 本稿では,コース推薦システムに存在する可能性のあるバイアスを特定し,緩和することに焦点を当てる。 学生全員に提案するバランスのとれた機会の促進に努める。 同時に、保護されたすべてのグループに対して、優れた品質を推奨する必要があります。 我々は,多目的最適化問題としてアプローチを定式化し,機会と品質のトレードオフについて検討する。 本手法は実世界データと合成データの両方を用いて評価する。 その結果,機会の平等性に関する公平性は大幅に改善できるが,品質の低下もいくつか導入する。 我々がテストした4つの方法のうち、GHC-IncとGHC-Tabuは、異なる有利な特性を持つ最高のパフォーマンスである。

関連論文リスト

• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization [0.0]
  本稿では、協調フィルタリング(CF)とコンテンツベースフィルタリング(CBF)を組み合わせたハイブリッドRSを提案する。 遺伝的アルゴリズム(GA)は最適なRS構成を自動的に発見するために開発された。 実験結果から, コース推薦における最も関連性の高い基準について検討した。
  論文  参考訳（メタデータ） (2024-02-13T11:02:12Z)
• A Survey on Fairness-aware Recommender Systems [59.23208133653637]
  本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。 次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-01T07:08:22Z)
• Fairness in Recommendation: Foundations, Methods and Applications [38.63520487389138]
  本調査は,レコメンデーション文学における公平性の基盤に焦点を当てたものである。 まず、分類やランキングといった基本的な機械学習タスクにおける公平性について簡単な紹介を行う。 その後、調査では、フェアネスの定義、フェアネスを改善するための典型的な技術、そして、フェアネス研究のためのデータセットに焦点をあてて、フェアネスを推奨する。
  論文  参考訳（メタデータ） (2022-05-26T20:48:53Z)
• Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning [68.25805655688876]
  推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。 IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。 大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
  論文  参考訳（メタデータ） (2021-06-25T02:02:51Z)
• Towards Equity and Algorithmic Fairness in Student Grade Prediction [2.9189409618561966]
  この研究は、人種に関するAIの教育的成果と公平性に対処する。 ラベルとインスタンスのバランスに関するいくつかの戦略を試行し、レースにおけるアルゴリズム性能の違いを最小化しようと試みる。 逆学習アプローチとグレードラベルのバランスが組み合わさって,最も公平な結果が得られることが分かりました。
  論文  参考訳（メタデータ） (2021-05-14T01:12:01Z)
• UniNet: Next Term Course Recommendation using Deep Learning [0.0]
  本稿では,コースの時系列順が成功の確率にどのように影響するかを表現するための深層学習手法を提案する。 成績情報のみを用いて,AUC測定値の81.10%の性能が得られることを示した。 これは、異なる学生のGPAレベルとコースの難易度で有意義であることが示されている。
  論文  参考訳（メタデータ） (2020-09-20T00:07:45Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
  レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。 本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-09T13:39:38Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)

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。