論文の概要: Fair ranking: a critical review, challenges, and future directions
- arxiv url: http://arxiv.org/abs/2201.12662v1
- Date: Sat, 29 Jan 2022 21:26:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 09:19:41.652978
- Title: Fair ranking: a critical review, challenges, and future directions
- Title（参考訳）: fair ranking: 批判的レビュー、挑戦、今後の方向性
- Authors: Gourab K Patro, Lorenzo Porcaro, Laura Mitchell, Qiuyue Zhang, Meike
Zehlike, and Nikhil Garg
- Abstract要約: 大規模な「フェアランキング」研究文献は、ランク付けされている個人、提供者、コンテンツに対して、これらのシステムを公平にするために開発されている。
この研究は、このようなアプローチが見逃すしばしばコンテキスト固有の懸念を詳述した、この文献の批判的な概要を提供する。
そして、より包括的でインパクト指向の公正なランキング研究アジェンダへの道を提供する。
- 参考スコア（独自算出の注目度）: 4.126546022406797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ranking, recommendation, and retrieval systems are widely used in online
platforms and other societal systems, including e-commerce, media-streaming,
admissions, gig platforms, and hiring. In the recent past, a large "fair
ranking" research literature has been developed around making these systems
fair to the individuals, providers, or content that are being ranked. Most of
this literature defines fairness for a single instance of retrieval, or as a
simple additive notion for multiple instances of retrievals over time. This
work provides a critical overview of this literature, detailing the often
context-specific concerns that such an approach misses: the gap between high
ranking placements and true provider utility, spillovers and compounding
effects over time, induced strategic incentives, and the effect of statistical
uncertainty. We then provide a path forward for a more holistic and
impact-oriented fair ranking research agenda, including methodological lessons
from other fields and the role of the broader stakeholder community in
overcoming data bottlenecks and designing effective regulatory environments.
- Abstract（参考訳）: ランキング、レコメンデーション、検索システムは、eコマース、メディアストリーミング、入場、ギグプラットフォーム、雇用など、オンラインプラットフォームや他の社会システムで広く使われている。
近年では、これらのシステムを、ランク付けされている個人、提供者、あるいはコンテンツに対して公平にするために、大きな「公正なランキング」研究文献が開発されている。
この文献の多くは、単一の検索のインスタンスに対する公平性や、時間をかけて複数の検索のインスタンスに対する単純な付加的概念として定義している。
この本は、この文献の批判的な概要を提供し、そのようなアプローチが見逃している状況に特有の懸念を詳述している: 上位の配置と真の提供者ユーティリティの間のギャップ、時間経過によるこぼれと複合効果、戦略的インセンティブの誘導、統計の不確実性の影響である。
そして、他の分野からの方法論的な教訓や、データボトルネックを克服し、効果的な規制環境を設計する幅広いステークホルダーコミュニティの役割を含む、より包括的でインパクト指向の公正なランキング研究の課題を前進させる。
関連論文リスト
- Unifying Bias and Unfairness in Information Retrieval: A Survey of Challenges and Opportunities with Large Language Models [31.199796752545478]
検索エンジンやレコメンデーションシステムなどの情報検索システムは、重要なパラダイムシフトを経験している。
大規模言語モデル(LLM)の急速な進歩により、検索エンジンやレコメンダシステムといった情報検索システムは、重要なパラダイムシフトを経験してきた。
論文 参考訳（メタデータ） (2024-04-17T15:05:03Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z) - Consumer-side Fairness in Recommender Systems: A Systematic Survey of
Methods and Evaluation [1.4123323039043334]
機械学習手法における差別意識の高まりは、学界と産業の両方を動機付け、レコメンデーションシステムにおける公正性の確保について研究した。
推薦制度では、そのような問題は職業推薦によってよく例示されており、歴史的データの偏見は、1つの性別から低い賃金、あるいはステレオタイプの普及に関する推薦制度につながる可能性がある。
本調査は、リコメンデーションシステムにおける消費者側の公正性に関する現在の研究の体系的概要と議論である。
論文 参考訳（メタデータ） (2023-05-16T10:07:41Z) - 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) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳（メタデータ） (2022-05-23T08:34:25Z) - Incentives for Item Duplication under Fair Ranking Policies [69.14168955766847]
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。
論文 参考訳（メタデータ） (2021-10-29T11:11:15Z) - Through the Data Management Lens: Experimental Analysis and Evaluation
of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。
我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。
我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文 参考訳（メタデータ） (2021-01-18T22:55:40Z) - 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。