論文の概要: Incentives for Item Duplication under Fair Ranking Policies

• arxiv url: http://arxiv.org/abs/2110.15683v1
• Date: Fri, 29 Oct 2021 11:11:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 22:59:58.510561
• Title: Incentives for Item Duplication under Fair Ranking Policies
• Title（参考訳）: 公平なランキング政策下におけるアイテム重複に対するインセンティブ
• Authors: Giorgio Maria Di Nunzio, Alessandro Fabris, Gianmaria Silvello and Gian Antonio Susto
• Abstract要約: 重複が存在する場合の様々な公正ランキングポリシーの振る舞いについて検討する。 適合性にのみ焦点を絞った政策よりも、重複を動機付ける可能性を秘めているため、公正を意識したランキングポリシーは多様性と矛盾する可能性がある。
• 参考スコア（独自算出の注目度）: 69.14168955766847
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ranking is a fundamental operation in information access systems, to filter information and direct user attention towards items deemed most relevant to them. Due to position bias, items of similar relevance may receive significantly different exposure, raising fairness concerns for item providers and motivating recent research into fair ranking. While the area has progressed dramatically over recent years, no study to date has investigated the potential problem posed by duplicated items. Duplicates and near-duplicates are common in several domains, including marketplaces and document collections available to search engines. In this work, we study the behaviour of different fair ranking policies in the presence of duplicates, quantifying the extra-exposure gained by redundant items. We find that fairness-aware ranking policies may conflict with diversity, due to their potential to incentivize duplication more than policies solely focused on relevance. This fact poses a problem for system owners who, as a result of this incentive, may have to deal with increased redundancy, which is at odds with user satisfaction. Finally, we argue that this aspect represents a blind spot in the normative reasoning underlying common fair ranking metrics, as rewarding providers who duplicate their items with increased exposure seems unfair for the remaining providers.
• Abstract（参考訳）: ランキングは、情報アクセスシステムにおける基本的な操作であり、情報をフィルタリングし、最も関連すると思われる項目にユーザーの注意を向ける。 位置バイアスのため、同様の関連性のあるアイテムは、かなり異なる露出を受け、アイテム提供者に対する公平な懸念を提起し、最近の公正なランキングの研究を動機付けている。 近年、地域は劇的に進展しているが、重複商品による潜在的な問題を調査する研究は行われていない。 重複と近重複は、検索エンジンで利用可能なマーケットプレースやドキュメントコレクションなど、いくつかのドメインで一般的である。 本研究では,重複の有無で異なる公正ランキングポリシーの挙動を考察し,冗長な項目によって得られる余剰露出を定量化する。 適合性にのみ焦点を絞った政策よりも、重複を動機付ける可能性を秘めているため、公正を意識したランキングポリシーは多様性と矛盾する可能性がある。 この事実は、このインセンティブの結果として、ユーザの満足度と相反する冗長性の増加に対処する必要があるシステムオーナにとって問題となる。 最後に、この側面は、共通公正ランキング指標に基づく規範的理由の盲点であり、露出の増加とともに商品を複製するプロバイダの報酬は、残りのプロバイダには不公平に思われる、と論じる。

関連論文リスト

• Towards Fair RAG: On the Impact of Fair Ranking in Retrieval-Augmented Generation [53.285436927963865]
  本稿では,公正ランキングと統合されたRAGシステムの最初の体系的評価について述べる。 本稿では,RAGシステムで活用されるランキングにおいて,各項目の公正な露出を測定することに焦点を当てる。 以上の結果から,RAGシステムは高い世代品質を維持でき,多くの場合,従来のRAGシステムよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-17T23:10:04Z)
• The Role of Relevance in Fair Ranking [1.5469452301122177]
  妥当性スコアは、公正な介入を導くために、望ましい基準のセットを満たすべきであると論じる。 次に、偏りのあるユーザクリックデータから推定される関連性のケーススタディにおいて、これらの基準がすべて満たされているわけではないことを実証的に示す。 分析と結果から,関連収集・生成への新たなアプローチの必要性が浮き彫りになっている。
  論文  参考訳（メタデータ） (2023-05-09T16:58:23Z)
• Fair Ranking as Fair Division: Impact-Based Individual Fairness in Ranking [36.42838320396534]
  このようなリンク関数の特定の選択は、防御が難しいかもしれないと我々は主張する。 これにより、リンク関数を選択する必要がなくなるだけでなく、露出以外の項目への影響をより有意義に定量化できる。
  論文  参考訳（メタデータ） (2022-06-15T02:20:30Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• FaiRIR: Mitigating Exposure Bias from Related Item Recommendations in Two-Sided Platforms [17.42360994589386]
  関連項目推奨パイプラインにフレキシブル介入(FaiRIR)を導入します。 本機構は露光分布をきめ細かな制御が可能であり,その関連性やユーザ満足度の観点からは,小さいか全くコストがかからないことが多い。
  論文  参考訳（メタデータ） (2022-04-01T07:01:33Z)
• Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
  データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。 研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。 公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。 残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
  論文  参考訳（メタデータ） (2022-02-03T17:25:46Z)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)
• 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)
• User Fairness, Item Fairness, and Diversity for Rankings in Two-Sided Markets [28.537935838669423]
  ユーザフェアネス、アイテムフェアネス、多様性は根本的に異なる概念であることを示す。 3つのデシラタを明示的に強制する最初のランク付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-04T02:53:09Z)
• 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。