論文の概要: Simpson's Paradox in Recommender Fairness: Reconciling differences between per-user and aggregated evaluations

• arxiv url: http://arxiv.org/abs/2210.07755v1
• Date: Fri, 14 Oct 2022 12:43:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 15:59:23.098774
• Title: Simpson's Paradox in Recommender Fairness: Reconciling differences between per-user and aggregated evaluations
• Title（参考訳）: 推薦者公平性におけるシンプソンのパラドックス--ユーザ毎の評価と集約評価の違いを調和させる
• Authors: Flavien Prost, Ben Packer, Jilin Chen, Li Wei, Pierre Kremp, Nicholas Blumm, Susan Wang, Tulsee Doshi, Tonia Osadebe, Lukasz Heldt, Ed H. Chi, Alex Beutel
• Abstract要約: ランク付けとレコメンダシステムにおける公平性という2つの概念は、反対の結論につながる可能性があると論じる。 我々はこれらの概念を整理し、テンションはアイテムが関係するユーザの分布の違いによるものであることを示す。 この新たな理解に基づいて、実践者はどちらの概念にも興味を持っているかもしれないが、ユーザ単位のメトリクスで課題に直面しているかもしれない。
• 参考スコア（独自算出の注目度）: 16.053419956606557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There has been a flurry of research in recent years on notions of fairness in ranking and recommender systems, particularly on how to evaluate if a recommender allocates exposure equally across groups of relevant items (also known as provider fairness). While this research has laid an important foundation, it gave rise to different approaches depending on whether relevant items are compared per-user/per-query or aggregated across users. Despite both being established and intuitive, we discover that these two notions can lead to opposite conclusions, a form of Simpson's Paradox. We reconcile these notions and show that the tension is due to differences in distributions of users where items are relevant, and break down the important factors of the user's recommendations. Based on this new understanding, practitioners might be interested in either notions, but might face challenges with the per-user metric due to partial observability of the relevance and user satisfaction, typical in real-world recommenders. We describe a technique based on distribution matching to estimate it in such a scenario. We demonstrate on simulated and real-world recommender data the effectiveness and usefulness of such an approach.
• Abstract（参考訳）: 近年では、ランキングシステムやレコメンデーションシステムにおけるフェアネスの概念、特に推奨者が関連する項目群(プロバイダフェアネスとも呼ばれる)に均等に露出を割り当てるかどうかを評価する方法についての研究が盛んに行われている。 この研究は重要な基礎を築いているが、関連する項目がユーザ毎/クエリ毎に比較されるか、ユーザ間で集約されるかによって異なるアプローチを生み出した。 確立され直観的であるにも拘わらず、これらの2つの概念はシンプソンのパラドックスの一形態である反対の結論に導くことができる。 我々は,これらの概念を解消し,その緊張感がアイテムが関連するユーザの分布の違いによるものであることを示すとともに,ユーザのレコメンデーションの重要な要因を分解する。 この新たな理解に基づいて、実践者はどちらの概念にも関心を持つかもしれないが、現実世界のレコメンデーションで典型的な、関連性とユーザの満足度の部分的可観測性のために、ユーザ毎のメトリクスで課題に直面する可能性がある。 このようなシナリオにおいて,分布マッチングに基づく推定手法について述べる。 シミュレーションデータと実世界のレコメンダデータを用いて,本手法の有効性と有用性を示す。

関連論文リスト

• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Experiments on Generalizability of User-Oriented Fairness in Recommender Systems [2.0932879442844476]
  公正を意識した推薦システムは、異なるユーザーグループを同様に扱うことを目的としている。 本稿では,ユーザ中心の公平度を再評価するフレームワークを提案する。 我々は、ユーザ(NDCGなど)とアイテム(新規性、アイテムフェアネスなど)の両方から、フレームワークの再ランク付けによる最終的なレコメンデーションを評価する。
  論文  参考訳（メタデータ） (2022-05-17T12:36:30Z)
• 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)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• Learning Personalized Item-to-Item Recommendation Metric via Implicit Feedback [24.37151414523712]
  本稿では,暗黙のフィードバックによるメトリクス学習の新しい視点から,レコメンデーションシステムにおける項目間推薦問題について検討する。 本研究では,アイテムの内部コンテンツとユーザによるインタラクションの両方をキャプチャする,パーソナライズ可能なディープメトリックモデルを開発し,検討する。
  論文  参考訳（メタデータ） (2022-03-18T18:08:57Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
  本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。 本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。 実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
  論文  参考訳（メタデータ） (2021-09-13T15:02:55Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• 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)
• A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
  ベイズ的アプローチに基づく会話推薦システムを提案する。 エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
  論文  参考訳（メタデータ） (2020-02-12T15:59:31Z)

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。