論文の概要: Two-sided fairness in rankings via Lorenz dominance
- arxiv url: http://arxiv.org/abs/2110.15781v1
- Date: Thu, 28 Oct 2021 17:56:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 01:10:24.488005
- Title: Two-sided fairness in rankings via Lorenz dominance
- Title(参考訳): ローレンツ支配によるランクの両面公正性
- Authors: Virginie Do, Sam Corbett-Davies, Jamal Atif, Nicolas Usunier
- Abstract要約: 我々は,レコメンデーションシステムにおいて,ユーザと商品生産者の両方に対して公平なランキングを生成することの問題点を考察する。
我々はローレンツ効率の基準を用いて公正性の概念を定式化する。
公平性制約に基づく既存のアプローチとは異なり、我々のアプローチは常に公平なランキングを生成する。
- 参考スコア(独自算出の注目度): 20.875347023588652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of generating rankings that are fair towards both
users and item producers in recommender systems. We address both usual
recommendation (e.g., of music or movies) and reciprocal recommendation (e.g.,
dating). Following concepts of distributive justice in welfare economics, our
notion of fairness aims at increasing the utility of the worse-off individuals,
which we formalize using the criterion of Lorenz efficiency. It guarantees that
rankings are Pareto efficient, and that they maximally redistribute utility
from better-off to worse-off, at a given level of overall utility. We propose
to generate rankings by maximizing concave welfare functions, and develop an
efficient inference procedure based on the Frank-Wolfe algorithm. We prove that
unlike existing approaches based on fairness constraints, our approach always
produces fair rankings. Our experiments also show that it increases the utility
of the worse-off at lower costs in terms of overall utility.
- Abstract(参考訳): 我々は,レコメンダシステムにおいて,ユーザとアイテム生産者の両方に対して公平なランキング生成の問題を考える。
通常の推薦(音楽や映画など)と相互推薦(デートなど)の両方に対処します。
福祉経済学における分散正義の概念に従い、公平性の概念は、ローレンツ効率の基準を用いて定式化する、劣悪な個人の有用性を高めることを目的としています。
ランキングはパレート効率が良く、ユーティリティーをより良いものから悪いものへと最大限に再分配することを保証します。
コンケーブ型福祉関数の最大化によるランキング生成と,フランク・ウルフアルゴリズムに基づく効率的な推論手法の開発を提案する。
公平性制約に基づく既存のアプローチとは異なり、我々のアプローチは常に公平なランキングを生成する。
また,本実験により, コストの低減により, 全体の実用性の向上が図られた。
関連論文リスト
- Explainable Disparity Compensation for Efficient Fair Ranking [0.0]
意思決定システムで使用されるランク付け関数は、基礎となるデータに偏りがあるため、異なる集団に対して異なる結果をもたらすことが多い。
最近の補償策は主に、公正性を保証するためにランク関数の不透明な変換に焦点を当てている。
本稿では,ランキング関数に対するデータ駆動型補償法を提案する。
論文 参考訳(メタデータ) (2023-07-25T09:12:50Z) - Sampling Individually-Fair Rankings that are Always Group Fair [9.333939443470944]
公正ランキングタスクは、グループフェアネスの制約を満たすために、実用性を最大化するために一連のアイテムをランク付けするよう要求する。
近年の研究では、品物の効用の不確かさが不公平の原因となっている。
我々は,各アウトプットランキングがグループフェアであることを保証しながら,個別のフェア分布からランキングを抽出する効率的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-21T01:26:34Z) - Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。
ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。
本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
論文 参考訳(メタデータ) (2023-02-13T13:11:46Z) - 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) - Fast online ranking with fairness of exposure [29.134493256287072]
このアルゴリズムは計算が高速で、ソート演算が支配的であり、メモリ効率が良く、理論的な保証も強いことを示します。
ユーザ側のパフォーマンスを最大化する基本方針と比較して,提案アルゴリズムは,計算オーバーヘッドが無視できるような推奨事項に,露出基準の複雑な公平性を組み込むことができる。
論文 参考訳(メタデータ) (2022-09-13T12:35:36Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - Fairness for Robust Learning to Rank [8.019491256870557]
分布ロバストネスの第一原理に基づく新しいランキング体系を導出する。
提案手法は,既存のベースライン手法よりも,公平なランク付けに有効であることを示す。
論文 参考訳(メタデータ) (2021-12-12T17:56:56Z) - 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) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-11T03:38:16Z) - 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) - Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。
このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。
厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
論文 参考訳(メタデータ) (2020-05-29T17:57:56Z)
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。