論文の概要: Fair Ranking as Fair Division: Impact-Based Individual Fairness in Ranking

• arxiv url: http://arxiv.org/abs/2206.07247v1
• Date: Wed, 15 Jun 2022 02:20:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 13:23:25.931524
• Title: Fair Ranking as Fair Division: Impact-Based Individual Fairness in Ranking
• Title（参考訳）: Fair Ranking as Fair Division: Impact-based individual Fairness in Ranking
• Authors: Yuta Saito and Thorsten Joachims
• Abstract要約: このようなリンク関数の特定の選択は、防御が難しいかもしれないと我々は主張する。 これにより、リンク関数を選択する必要がなくなるだけでなく、露出以外の項目への影響をより有意義に定量化できる。
• 参考スコア（独自算出の注目度）: 36.42838320396534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rankings have become the primary interface in two-sided online markets. Many have noted that the rankings not only affect the satisfaction of the users (e.g., customers, listeners, employers, travelers), but that the position in the ranking allocates exposure -- and thus economic opportunity -- to the ranked items (e.g., articles, products, songs, job seekers, restaurants, hotels). This has raised questions of fairness to the items, and most existing works have addressed fairness by explicitly linking item exposure to item relevance. However, we argue that any particular choice of such a link function may be difficult to defend, and we show that the resulting rankings can still be unfair. To avoid these shortcomings, we develop a new axiomatic approach that is rooted in principles of fair division. This not only avoids the need to choose a link function, but also more meaningfully quantifies the impact on the items beyond exposure. Our axioms of envy-freeness and dominance over uniform ranking postulate that for a fair ranking policy every item should prefer their own rank allocation over that of any other item, and that no item should be actively disadvantaged by the rankings. To compute ranking policies that are fair according to these axioms, we propose a new ranking objective related to the Nash Social Welfare. We show that the solution has guarantees regarding its envy-freeness, its dominance over uniform rankings for every item, and its Pareto optimality. In contrast, we show that conventional exposure-based fairness can produce large amounts of envy and have a highly disparate impact on the items. Beyond these theoretical results, we illustrate empirically how our framework controls the trade-off between impact-based individual item fairness and user utility.
• Abstract（参考訳）: オンライン市場ではランキングが主要なインターフェースとなっている。 多くの人は、ランキングが利用者の満足度に影響を与えるだけでなく(顧客、リスナー、雇用主、旅行者など)、ランキングの順位がランキング項目(記事、商品、歌、求職者、レストラン、ホテルなど)への露出(すなわち経済的機会)を割り当てていると指摘している。 これはアイテムに対する公平性の問題を引き起こし、既存の作品の多くはアイテムの露出とアイテムの関連性を明示的に関連付けることで公平性に対処している。 しかし,このようなリンク関数の特定の選択は防御が困難である可能性があり,結果のランク付けが依然として不公平であることを示す。 これらの欠点を避けるために、我々はフェアディビジョンの原則に根ざした新しい公理的アプローチを開発する。 これはリンク関数を選択する必要をなくすだけでなく、露出以外の項目への影響をより有意義に定量化する。 均一なランク付けポリシーでは、各項目が他のどの項目よりも自分のランク付けを優先すべきであり、どの項目もそのランク付けによって積極的に不利になるべきではないと仮定する。 これらの公理に従って公平なランキング政策を計算するために,ナッシュ社会福祉に関連する新しいランキング目標を提案する。 提案手法は,エンビーフリー性,各項目の均一ランキングに対する支配性,パレート最適性に関する保証があることを示す。 対照的に、従来の露光による公正さは、大量のうらやみを生じさせ、アイテムに非常に異なる影響を与えることを示す。 これらの理論的な結果を超えて、我々のフレームワークがインパクトに基づく個々のアイテムフェアネスとユーザユーティリティのトレードオフをどのように制御するかを実証的に示します。

関連論文リスト

• Stability and Multigroup Fairness in Ranking with Uncertain Predictions [61.76378420347408]
  我々の研究はランキング関数について考察している。分類タスクの個々の予測からランキング上の分布へのマップ。 ランキング関数の2つの側面、すなわち予測における摂動に対する安定性と、個人とサブグループの両方に対する公正性に焦点を当てる。 我々の研究は、不確実性に敏感なランキングが、グループと個人レベルの公正性の保証とを自然に補間していることを示している。
  論文  参考訳（メタデータ） (2024-02-14T17:17:05Z)
• 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)
• Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
  リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。 利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
  論文  参考訳（メタデータ） (2022-12-21T04:49:55Z)
• Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
  以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。 我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。 我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2022-01-10T21:43:44Z)
• 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)
• User Fairness, Item Fairness, and Diversity for Rankings in Two-Sided Markets [28.537935838669423]
  ユーザフェアネス、アイテムフェアネス、多様性は根本的に異なる概念であることを示す。 3つのデシラタを明示的に強制する最初のランク付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-04T02:53:09Z)
• On the Problem of Underranking in Group-Fair Ranking [8.963918049835375]
  ランク付けシステムのバイアスは、社会的・経済的不平等を悪化させ、意見を分極し、ステレオタイプを強化する。 本稿では,グループフェアランキングにおける下位ランクの問題について定式化する。 任意のランク付けを行い、同時にランク付けとグループフェアネスを保証した別のランク付けを出力する公平なランク付けアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-09-24T14:56:10Z)
• 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)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。