論文の概要: End-to-end Learning for Fair Ranking Systems

• arxiv url: http://arxiv.org/abs/2111.10723v1
• Date: Sun, 21 Nov 2021 03:25:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 14:08:54.275402
• Title: End-to-end Learning for Fair Ranking Systems
• Title（参考訳）: 公正ランキングシステムのためのエンドツーエンド学習
• Authors: James Kotary, Ferdinando Fioretto, Pascal Van Hentenryck, Ziwei Zhu
• Abstract要約: 本稿では,SPOFR(Smart Predict and Optimize for Fair Ranking)を紹介する。 SPOFRは、公平性に制約された学習をランク付けするための統合最適化および学習フレームワークである。 確立された性能指標に関して、最先端の公正学習システムを大幅に改善することが示されている。
• 参考スコア（独自算出の注目度）: 44.82771494830451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The learning-to-rank problem aims at ranking items to maximize exposure of those most relevant to a user query. A desirable property of such ranking systems is to guarantee some notion of fairness among specified item groups. While fairness has recently been considered in the context of learning-to-rank systems, current methods cannot provide guarantees on the fairness of the proposed ranking policies. This paper addresses this gap and introduces Smart Predict and Optimize for Fair Ranking (SPOFR), an integrated optimization and learning framework for fairness-constrained learning to rank. The end-to-end SPOFR framework includes a constrained optimization sub-model and produces ranking policies that are guaranteed to satisfy fairness constraints while allowing for fine control of the fairness-utility tradeoff. SPOFR is shown to significantly improve current state-of-the-art fair learning-to-rank systems with respect to established performance metrics.
• Abstract（参考訳）: learning-to-rank問題では,ユーザクエリに最も関係のある項目の露出を最大化するために,項目のランク付けを目標としている。 このようなランキングシステムの望ましい特性は、特定の項目群間の公平性の概念を保証することである。 近年,学習からランクまでのシステムにおいて公正性は考慮されているが,現在の手法では,提案したランキングポリシーの公平性を保証することはできない。 本稿では,このギャップに対処し,公平度に制約のある学習のための統合最適化学習フレームワークspofr(smart predict and optimize for fair ranking)を提案する。 エンドツーエンドのSPOFRフレームワークは、制約付き最適化サブモデルを含み、公正性の制約を満たすことを保証するとともに、公正性ユーティリティトレードオフのきめ細かい制御を可能にするランキングポリシーを生成する。 SPOFRは、確立されたパフォーマンス指標に関して、最先端の公正学習システムを大幅に改善することが示されている。

関連論文リスト

• Learn to be Fair without Labels: a Distribution-based Learning Framework for Fair Ranking [1.8577028544235155]
  本研究では,未利用の公正度ラベルを対象の公正度分布に置き換えることにより,ラベルを必要としない分布ベースフェアラーニングフレームワーク(DLF)を提案する。 提案手法は,フェアネス関連トレードオフの制御性を高めつつ,フェアネス性能を向上する。
  論文  参考訳（メタデータ） (2024-05-28T03:49:04Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
  本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。 グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
  論文  参考訳（メタデータ） (2023-06-15T19:51:28Z)
• 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)
• 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)
• Societal Biases in Retrieved Contents: Measurement Framework and Adversarial Mitigation for BERT Rankers [9.811131801693856]
  ランキングモデルの検索したテキスト内容の公平性を測定するための新しいフレームワークを提供する。 本稿では,最先端のbertrankersに適用した逆バイアス緩和手法を提案する。 MARCOベンチマークの結果,全てのランキングモデルの公正度は,ランク付け非依存のベースラインの公平度よりも低いが,検索内容の公平度は,提案した対角トレーニングの適用時に著しく向上することが示された。
  論文  参考訳（メタデータ） (2021-04-28T08:53:54Z)
• Fairness Through Regularization for Learning to Rank [33.52974791836553]
  本稿では,二項分類から文脈のランク付けのための学習への多くの公平性の概念の伝達方法を示す。 我々の形式主義は、証明可能な一般化保証を伴う公正目標を組み込む方法の設計を可能にする。
  論文  参考訳（メタデータ） (2021-02-11T13:29:08Z)
• Overview of the TREC 2019 Fair Ranking Track [65.15263872493799]
  TREC Fair Ranking トラックの目標は、異なるコンテンツプロバイダに対する公正性の観点から、検索システムを評価するベンチマークを開発することであった。 本稿では,タスク定義やデータ記述,アノテーションプロセスなどを含むトラックの概要について述べる。
  論文  参考訳（メタデータ） (2020-03-25T21:34:58Z)

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。