論文の概要: Are Your Reviewers Being Treated Equally? Discovering Subgroup Structures to Improve Fairness in Spam Detection

• arxiv url: http://arxiv.org/abs/2204.11164v2
• Date: Fri, 5 May 2023 23:22:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 01:04:20.991717
• Title: Are Your Reviewers Being Treated Equally? Discovering Subgroup Structures to Improve Fairness in Spam Detection
• Title（参考訳）: あなたのレビュアーは平等に扱われるのか? スパム検出におけるフェアネス向上のためのサブグループ構造発見
• Authors: Jiaxin Liu, Yuefei Lyu, Xi Zhang, Sihong Xie
• Abstract要約: 本稿では,スパム検出のための新しいサブグループ構造の定義,近似,利用の課題に対処する。 まず、レビューグラフ内のサブグループ構造を同定し、グループ内の離散精度を導出する。 3つの大規模なYelpレビューデータセットのベースラインに対する総合的な比較では、サブグループのメンバシップを識別し、グループフェアネスに活用できることが示されている。
• 参考スコア（独自算出の注目度）: 13.26226951002133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User-generated reviews of products are vital assets of online commerce, such as Amazon and Yelp, while fake reviews are prevalent to mislead customers. GNN is the state-of-the-art method that detects suspicious reviewers by exploiting the topologies of the graph connecting reviewers, reviews, and target products. However, the discrepancy in the detection accuracy over different groups of reviewers can degrade reviewer engagement and customer trust in the review websites. Unlike the previous belief that the difference between the groups causes unfairness, we study the subgroup structures within the groups that can also cause discrepancies in treating different groups. This paper addresses the challenges of defining, approximating, and utilizing a new subgroup structure for fair spam detection. We first identify subgroup structures in the review graph that lead to discrepant accuracy in the groups. The complex dependencies over the review graph create difficulties in teasing out subgroups hidden within larger groups. We design a model that can be trained to jointly infer the hidden subgroup memberships and exploits the membership for calibrating the detection accuracy across groups. Comprehensive comparisons against baselines on three large Yelp review datasets demonstrate that the subgroup membership can be identified and exploited for group fairness.
• Abstract（参考訳）: 製品のユーザー生成レビューはamazonやyelpのようなオンラインコマースの重要な資産であり、偽レビューは誤解を招く顧客に広まっている。 GNNは、不審なレビュアーを検知する最先端の手法であり、レビュアー、レビュー、ターゲット製品を結合するグラフのトポロジーを利用する。 しかし、レビュアの異なるグループに対する検出精度の相違は、レビューサイトにおけるレビュアのエンゲージメントと顧客の信頼を低下させる可能性がある。 グループ間の差異が不公平を生じさせるという以前の信念とは異なり、異なるグループを扱いうるグループ内のサブグループ構造について検討する。 本稿では,スパム検出のための新しいサブグループ構造の定義,近似,利用の課題に対処する。 まずレビューグラフのサブグループ構造を特定し,グループ内の精度を区別する。 レビューグラフ上の複雑な依存関係は、大きなグループに隠されたサブグループをいじるのを難しくする。 我々は,隠れたサブグループメンバーシップを共同で推測し,グループ間の検出精度を校正するために,メンバーシップを利用するように訓練できるモデルを設計した。 3つの大規模なYelpレビューデータセットのベースラインに対する包括的な比較は、サブグループのメンバシップを識別し、グループフェアネスに活用できることを示しています。

関連論文リスト

• FALE: Fairness-Aware ALE Plots for Auditing Bias in Subgroups [0.8528401618469597]
  本稿では,サブグループ内の潜在的なバイアスを識別し,ユーザフレンドリな方法で発見を可視化するための説明可能性手法を提案する。 FALEは,潜在的なバイアス問題のあるサブグループを特定するための,効率的でユーザフレンドリで,理解しやすく,信頼性の高い第1段階ツールとして機能することを期待している。
  論文  参考訳（メタデータ） (2024-04-29T13:30:57Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Fairness Aware Counterfactuals for Subgroups [8.593488857185678]
  本稿では,サブグループのフェアネスを監査するフレームワークであるFACTS(Fairness Aware Counterfactuals for Subgroups)を紹介する。 我々は、特定のサブグループにおける個人の困難さの異なる側面を定式化し、談話を達成することを目的としている。 我々は、言論を達成するためのコストに対して、完全に不可避ではないが頑健な部分群フェアネスの概念を導入する。
  論文  参考訳（メタデータ） (2023-06-26T18:03:56Z)
• AGRO: Adversarial Discovery of Error-prone groups for Robust Optimization [109.91265884632239]
  群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。 本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。 AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
  論文  参考訳（メタデータ） (2022-12-02T00:57:03Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Spatio-Temporal Graph Representation Learning for Fraudster Group Detection [50.779498955162644]
  企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。 そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。 両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:01:38Z)
• HIN-RNN: A Graph Representation Learning Neural Network for Fraudster Group Detection With No Handcrafted Features [42.30892608083864]
  不正グループ検出のための異種情報ネットワーク(HIN)互換RNNであるHIN-RNNを提案する。 HIN-RNNは、各レビュアーのテキスト表現を学習するための統一アーキテクチャを提供する。 提案手法はYelp(リコールでは22%,F1値では12%)とAmazon(リコールでは4%,F1値では2%)に対して,最先端アプローチを著しく改善する上で有効であることが確認された。
  論文  参考訳（メタデータ） (2021-05-25T01:48:28Z)
• Detecting and Characterizing Extremist Reviewer Groups in Online Product Reviews [26.473021051027537]
  本稿では,Amazon製品レビューサイトからレビューを収集し,923名の候補レビューグループを手作業でラベル付けした。 それらのグループは、多くのブランドを相互にレビュー(製品)した場合に、ユーザがまとめられるように、ブランドの類似性よりも頻繁にアイテムセットマイニングを使用して抽出される。 我々は、そのグループのユーザが書いたレビューに基づいて、グループを分類するタスクのために複数の分類器を実行し、そのグループに極度の兆候があるかどうかを判断する。
  論文  参考訳（メタデータ） (2020-04-13T10:59:21Z)

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。