論文の概要: A Stakeholder-Centered View on Fairness in Music Recommender Systems
- arxiv url: http://arxiv.org/abs/2209.06126v1
- Date: Thu, 8 Sep 2022 16:02:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 11:09:10.170898
- Title: A Stakeholder-Centered View on Fairness in Music Recommender Systems
- Title(参考訳): 音楽レコメンダシステムの公正性に関するステークホルダー中心視点
- Authors: Karlijn Dinnissen and Christine Bauer
- Abstract要約: レビューでは、まず、各利害関係者と利害関係者の視点から、MSS公正性に関する現在の文献を概説する。
レビューから生じる2つのオープンな質問は以下の通りである: (i) MRSの分野では、フェアネスの研究を行うために、限られたデータしか公開されていない。
概して、レビューでは、ほとんどの研究がMSSフェアネスの現状を分析しているのに対し、改善のためのアプローチを提案する研究はごくわずかである。
- 参考スコア(独自算出の注目度): 5.901337162013615
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Our narrative literature review acknowledges that, although there is an
increasing interest in recommender system fairness in general, the music domain
has received relatively little attention in this regard. However, addressing
fairness of music recommender systems (MRSs) is highly important because the
performance of these systems considerably impacts both the users of music
streaming platforms and the artists providing music to those platforms. The
distinct needs that these stakeholder groups may have, and the different
aspects of fairness that therefore should be considered, make for a challenging
research field with ample opportunities for improvement. The review first
outlines current literature on MRS fairness from the perspective of each
stakeholder and the stakeholders combined, and then identifies promising
directions for future research.
The two open questions arising from the review are as follows: (i) In the MRS
field, only limited data is publicly available to conduct fairness research;
most datasets either originate from the same source or are proprietary (and,
thus, not widely accessible). How can we address this limited data
availability? (ii) Overall, the review shows that the large majority of works
analyze the current situation of MRS fairness, whereas only few works propose
approaches to improve it. How can we move forward to a focus on improving
fairness aspects in these recommender systems?
At FAccTRec '22, we emphasize the specifics of addressing RS fairness in the
music domain.
- Abstract(参考訳): 概してレコメンデーターシステムフェアネスへの関心が高まっているが,この点については音楽分野にはあまり注目されていない。
しかし,音楽レコメンデータシステム(MRS)の公平性への対処は,音楽ストリーミングプラットフォームのユーザと,それらのプラットフォームに音楽を提供するアーティストの両方に大きな影響を与えるため,非常に重要である。
これらのステークホルダーグループが持つ異なるニーズと、それゆえ考慮すべき公平さの異なる側面は、改善のための十分な機会を持つ困難な研究分野となる。
レビューはまず、各利害関係者と利害関係者の視点からフェアネス夫人に関する現在の文献を概説し、今後の研究に有望な方向性を明らかにする。
レビューから生じた2つの疑問は以下のとおりである。
(i)mrsフィールドでは、フェアネス調査を行うには限られたデータのみを公に利用できるが、ほとんどのデータセットは同じソースに由来するか、プロプライエタリである(したがって、広くアクセスできない)。
この制限されたデータの可用性にどのように対処すればよいのか?
(ii)総じて、多くの作品がフェアネス夫人の現在の状況を分析しているのに対し、それを改善するためのアプローチを提案する作品はほとんどない。
これらのレコメンダシステムにおける公平性の改善にどのように注力すればよいのか?
FAccTRec '22において,音楽領域におけるRSフェアネスの具体性を強調した。
関連論文リスト
- Fairness Through Domain Awareness: Mitigating Popularity Bias For Music
Discovery [56.77435520571752]
音楽発見と人気バイアスの本質的な関係について検討する。
本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。
我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
論文 参考訳(メタデータ) (2023-08-28T14:12:25Z) - 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 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) - 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) - Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。
研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。
公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。
残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
論文 参考訳(メタデータ) (2022-02-03T17:25:46Z) - 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) - Explainability in Music Recommender Systems [69.0506502017444]
音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。
MRSは非常に複雑で、推奨精度に最適化されることが多い。
本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
論文 参考訳(メタデータ) (2022-01-25T18:32:11Z) - 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) - "And the Winner Is...": Dynamic Lotteries for Multi-group Fairness-Aware
Recommendation [37.35485045640196]
我々は、以前の文献は単純で一様であり、フェアネスの仮定の単次元の概念に基づいていたと論じる。
私たちは、多元的定義と交差する保護されたグループ間の正確性と公平性の間のトレードオフに参入する設計上の決定を明確に表現します。
公正な関心事を選択するための宝くじに基づくメカニズムを定式化し、その性能を2つの推奨領域で実証する。
論文 参考訳(メタデータ) (2020-09-05T20:15:14Z) - Exploring User Opinions of Fairness in Recommender Systems [13.749884072907163]
ユーザーが推奨する公平な待遇の考えは何なのかを尋ねる。
公平性に対するユーザの意見の相違や変化の原因となるものを分析する。
論文 参考訳(メタデータ) (2020-03-13T19:44:26Z)
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。