論文の概要: Fairness in Recommender Systems: Research Landscape and Future Directions

• arxiv url: http://arxiv.org/abs/2205.11127v4
• Date: Tue, 9 May 2023 07:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 16:44:42.124873
• Title: Fairness in Recommender Systems: Research Landscape and Future Directions
• Title（参考訳）: レコメンダシステムの公正性:ランドスケープ研究と今後の方向性
• Authors: Yashar Deldjoo, Dietmar Jannach, Alejandro Bellogin, Alessandro Difonzo, Dario Zanzonelli
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 119.67643184567623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems can strongly influence which information we see online, e.g., on social media, and thus impact our beliefs, decisions, and actions. At the same time, these systems can create substantial business value for different stakeholders. Given the growing potential impact of such AI-based systems on individuals, organizations, and society, questions of fairness have gained increased attention in recent years. However, research on fairness in recommender systems is still a developing area. In this survey, we first review the fundamental concepts and notions of fairness that were put forward in the area in the recent past. Afterward, through a review of more than 160 scholarly publications, we present an overview of how research in this field is currently operationalized, e.g., in terms of general research methodology, fairness measures, and algorithmic approaches. Overall, our analysis of recent works points to certain research gaps. In particular, we find that in many research works in computer science, very abstract problem operationalizations are prevalent and questions of the underlying normative claims and what represents a fair recommendation in the context of a given application are often not discussed in depth. These observations call for more interdisciplinary research to address fairness in recommendation in a more comprehensive and impactful manner.
• Abstract（参考訳）: リコメンダーシステムは、オンラインで見る情報、例えばソーシャルメディアに強く影響を与え、それによって私たちの信念、決定、行動に影響を与える。 同時に、これらのシステムは異なる利害関係者にとって実質的なビジネス価値を生み出すことができる。 このようなAIベースのシステムが個人、組織、社会に与える影響が増加する中、公平性に関する疑問が近年注目を集めている。 しかし、レコメンデーションシステムにおける公正性の研究はまだ発展途上である。 本研究は,近年,この地域で展開された公平性の基本概念と概念を初めて概観する。 その後、160以上の学術論文のレビューを通じて、この分野の研究が現在どのように運用されているか、例えば、一般的な研究方法論、公正度測定、アルゴリズムアプローチの観点から概説する。 全体として、最近の研究の分析は、ある研究のギャップを示している。 特に、計算機科学における多くの研究において、非常に抽象的な問題運用が一般的であり、基礎となる規範的クレームや、与えられたアプリケーションのコンテキストにおける公正な推奨事項が深く議論されることがしばしばある。 これらの観察は、より包括的で影響力のある方法で推奨の公平性に取り組むために、より学際的な研究を求める。

関連論文リスト

• Explainable Multi-Stakeholder Job Recommender Systems [0.0]
  新しい法律は、プライバシ、公正性、レコメンダシステムとAI全体の説明可能性といった側面に焦点を当てている。 これらのシステムは、求職者、採用者、企業によって同時に使用されるため、マルチステークホルダーアプローチが必要である。 説明可能なマルチステークホルダー求人システムに関する現在の研究を要約し、今後の研究の方向性を概説する。
  論文  参考訳（メタデータ） (2024-10-01T13:12:30Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• Regulation and NLP (RegNLP): Taming Large Language Models [51.41095330188972]
  我々は,NLP研究が規制研究や隣接分野に近接することのメリットを論じる。 我々は、規制とNLPに関する新しい多分野研究空間の開発を提唱する。
  論文  参考訳（メタデータ） (2023-10-09T09:22:40Z)
• 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)
• Socio-economic landscape of digital transformation & public NLP systems: A critical review [2.1030878979833467]
  「この論文は、国民に影響を及ぼすか影響されるNLPシステムの幅広い分類法を構築している。」 本論文は、これらのシステムの30の事例を、公共利用事例に基づいて、金融、顧客サービス、政策作成、教育、医療、法律、セキュリティの7つの家族に分類する。 次に、これらのアプリケーション、まずはそれらがベースとしている事前と仮定、次にそれらのメカニズム、データ収集の可能なメソッド、使用されるモデルとエラー関数などを分析します。
  論文  参考訳（メタデータ） (2023-04-04T09:17:58Z)
• Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
  既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。 我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
  論文  参考訳（メタデータ） (2023-02-04T04:54:30Z)
• Fairness in Recommendation: Foundations, Methods and Applications [38.63520487389138]
  本調査は,レコメンデーション文学における公平性の基盤に焦点を当てたものである。 まず、分類やランキングといった基本的な機械学習タスクにおける公平性について簡単な紹介を行う。 その後、調査では、フェアネスの定義、フェアネスを改善するための典型的な技術、そして、フェアネス研究のためのデータセットに焦点をあてて、フェアネスを推奨する。
  論文  参考訳（メタデータ） (2022-05-26T20:48:53Z)
• Fair ranking: a critical review, challenges, and future directions [4.126546022406797]
  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。
  論文  参考訳（メタデータ） (2022-01-29T21:26:04Z)
• Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
  オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。 本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。 この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
  論文  参考訳（メタデータ） (2021-04-16T06:44:50Z)
• 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)

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。