論文の概要: Who Pays? Personalization, Bossiness and the Cost of Fairness
- arxiv url: http://arxiv.org/abs/2209.04043v1
- Date: Thu, 8 Sep 2022 21:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 13:04:04.815777
- Title: Who Pays? Personalization, Bossiness and the Cost of Fairness
- Title（参考訳）: 支払いは?
個性化、ボス性、公平さのコスト
- Authors: Paresha Farastu, Nicholas Mattei and Robin Burke
- Abstract要約: 提供者側の公正を懸念する公正を意識したレコメンデータシステムは、保護された提供者のグループに商品や製品を宣伝する公正な機会があることを確実にする。
このようなソリューションが実装されると、インタラクションの消費者側が生み出す「公正さのコスト」がある。
本稿では, ボトムネスの概念を導入し, フェアネスを意識した推薦に応用し, この戦略的インセンティブを減らすための戦略について議論する。
- 参考スコア（独自算出の注目度）: 24.75616876832476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fairness-aware recommender systems that have a provider-side fairness concern
seek to ensure that protected group(s) of providers have a fair opportunity to
promote their items or products. There is a ``cost of fairness'' borne by the
consumer side of the interaction when such a solution is implemented. This
consumer-side cost raises its own questions of fairness, particularly when
personalization is used to control the impact of the fairness constraint. In
adopting a personalized approach to the fairness objective, researchers may be
opening their systems up to strategic behavior on the part of users. This type
of incentive has been studied in the computational social choice literature
under the terminology of ``bossiness''. The concern is that a bossy user may be
able to shift the cost of fairness to others, improving their own outcomes and
worsening those for others. This position paper introduces the concept of
bossiness, shows its application in fairness-aware recommendation and discusses
strategies for reducing this strategic incentive.
- Abstract（参考訳）: 提供者側の公正を懸念する公正を意識したレコメンデータシステムは、保護された提供者のグループに商品や製品を宣伝する公正な機会があることを確実にする。
このようなソリューションが実装されたときに、消費者側のインタラクションが担う‘‘公正のコスト’’がある。
この消費者側コストは、特に公平性制約の影響を制御するためにパーソナライズを利用する場合、公正性に関する独自の疑問を提起する。
公正を目標とするパーソナライズされたアプローチを採用することで、研究者はシステムをユーザーの戦略的行動に開放する可能性がある。
この種のインセンティブは、『ボッシー』という用語の下で計算社会選択文学で研究されてきた。
心配なのは、ボッシーなユーザーは公平さのコストを他人にシフトさせ、自分たちの成果を改善し、他人に悪影響を及ぼすかもしれないということです。
本稿では,bossnessの概念を紹介し,フェアネス・アウェア・レコメンデーション(fairness-aware recommendation)の適用例を示し,この戦略的インセンティブを削減するための戦略について論じる。
関連論文リスト
- Fairness Incentives in Response to Unfair Dynamic Pricing [7.991187769447732]
我々は基本的な模擬経済を設計し、公正な価格設定の行動を採用するよう企業にインセンティブを与えるために法人税のスケジュールを作成する。
可能な政策シナリオを網羅するため、我々は、ソーシャルプランナーの学習問題を、マルチアームバンディット、コンテキストバンディット、およびフル強化学習(RL)問題として定式化する。
社会的福祉はフェアネス非依存ベースラインのそれよりも改善し,マルチアームおよびコンテキストバンディット設定のための分析学的に最適なフェアネス対応ベースラインにアプローチすることを発見した。
論文 参考訳（メタデータ） (2024-04-22T23:12:58Z) - Incentivized Truthful Communication for Federated Bandits [61.759855777522255]
我々はTrath-FedBanという名前のインセンティブ互換通信プロトコルを提案する。
Truth-FedBanは、オーバーヘッドなしにサブ線形後悔と通信コストを保証します。
論文 参考訳（メタデータ） (2024-02-07T00:23:20Z) - Incentivized Communication for Federated Bandits [67.4682056391551]
我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。
本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
論文 参考訳（メタデータ） (2023-09-21T00:59:20Z) - Causal Fairness for Outcome Control [68.12191782657437]
本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。
本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。
次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
論文 参考訳（メタデータ） (2023-06-08T09:31:18Z) - A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳（メタデータ） (2023-06-01T07:08:22Z) - Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。
具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
論文 参考訳（メタデータ） (2022-04-29T19:13:23Z) - Towards Fair Recommendation in Two-Sided Platforms [36.35034531426411]
特定不可能な商品を適切に配置する問題の制約されたバージョンに対して、公平にパーソナライズされたレコメンデーション問題を提案する。
提案した em FairRec アルゴリズムは,生産者への露出の Maxi-Min Share (alpha$-MMS) を保証し,顧客には Envy-Free to One Item (EF1) を付与する。
論文 参考訳（メタデータ） (2021-12-26T05:14:56Z) - Towards Personalized Fairness based on Causal Notion [18.5897206797918]
本稿では,逆学習による対実的公正なレコメンデーションを実現するための枠組みを提案する。
提案手法は,推奨性能の高いユーザに対して,より公平なレコメンデーションを生成できる。
論文 参考訳（メタデータ） (2021-05-20T15:24:34Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳（メタデータ） (2020-12-21T01:01:56Z)
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。