論文の概要: Interpolating Item and User Fairness in Recommendation Systems

• arxiv url: http://arxiv.org/abs/2306.10050v1
• Date: Mon, 12 Jun 2023 15:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 01:38:48.063645
• Title: Interpolating Item and User Fairness in Recommendation Systems
• Title（参考訳）: 推薦システムにおける補間項目とユーザフェアネス
• Authors: Qinyi Chen, Jason Cheuk Nam Liang, Negin Golrezaei, Djallel Bouneffouf
• Abstract要約: 異なる利害関係者の利害のバランスをとる際に、プラットフォームの潜在的な妥協を捉える「公正さの価格」について検討する。 そこで我々は,商品とユーザの公正性の制約を補間しながら,プラットフォームが収益を最大化するフェアレコメンデーションフレームワークを提案する。 これを解決するために、我々は、アイテムとユーザの両方に対して公平性を達成しつつ、プラットフォームの収益を保ちながら、低信頼のオンライン最適化アルゴリズムを設計する。
• 参考スコア（独自算出の注目度）: 22.675635068023766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online platforms employ recommendation systems to enhance customer engagement and drive revenue. However, in a multi-sided platform where the platform interacts with diverse stakeholders such as sellers (items) and customers (users), each with their own desired outcomes, finding an appropriate middle ground becomes a complex operational challenge. In this work, we investigate the ``price of fairness'', which captures the platform's potential compromises when balancing the interests of different stakeholders. Motivated by this, we propose a fair recommendation framework where the platform maximizes its revenue while interpolating between item and user fairness constraints. We further examine the fair recommendation problem in a more realistic yet challenging online setting, where the platform lacks knowledge of user preferences and can only observe binary purchase decisions. To address this, we design a low-regret online optimization algorithm that preserves the platform's revenue while achieving fairness for both items and users. Finally, we demonstrate the effectiveness of our framework and proposed method via a case study on MovieLens data.
• Abstract（参考訳）: オンラインプラットフォームはレコメンデーションシステムを使用して顧客のエンゲージメントを高め、収益を上げる。 しかし、プラットフォームが売り手(アイテム)や顧客(ユーザ)といった多様な利害関係者と相互作用する多面的なプラットフォームでは、それぞれが望ましい結果を持っているため、適切な中間地を見つけることは複雑な運用上の課題となる。 本研究では,異なる利害関係者の利益のバランスをとる上で,プラットフォームの潜在的な妥協を捉えた‘公正価格’を調査した。 そこで我々は,商品とユーザの公正性の制約を補間しながら,プラットフォームが収益を最大化するフェアレコメンデーションフレームワークを提案する。 さらに,プラットフォームがユーザの好みに関する知識を欠き,バイナリ購入決定のみを観察できるような,より現実的で困難なオンライン環境において,公正な推奨問題をさらに検討する。 これに対処するために,我々は,商品とユーザの両方に対して公平性を確保しつつ,プラットフォームの収益を保ちながら,低精細なオンライン最適化アルゴリズムを設計する。 最後に,本手法の有効性を示すとともに,movielensデータを用いたケーススタディを通して提案手法を提案する。

関連論文リスト

• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
  本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。 本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
  論文  参考訳（メタデータ） (2024-09-27T17:00:32Z)
• Federated $\mathcal{X}$-armed Bandit with Flexible Personalisation [3.74142789780782]
  本稿では,$mathcalX$-armed banditフレームワーク内での個人化フェデレーション学習への新たなアプローチを提案する。 本手法では,個別のクライアント選好と集約されたグローバル知識を組み合わせた代理目的関数を用いて,個人化と集団学習の柔軟なトレードオフを実現する。
  論文  参考訳（メタデータ） (2024-09-11T13:19:41Z)
• Submodular Maximization Approaches for Equitable Client Selection in Federated Learning [4.167345675621377]
  従来の学習フレームワークでは、トレーニングのためのクライアント選択は、通常、各イテレーションでクライアントのサブセットをランダムにサンプリングする。 本稿では,ランダムクライアント選択の限界に対処するために,SUBTRUNCとUNIONFLという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-24T22:40:31Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• An IPW-based Unbiased Ranking Metric in Two-sided Markets [3.845857580909374]
  本稿では,2つの市場におけるユーザ間のバイアスの複雑な相互作用について論じる。 そこで我々は,2面IPWという新しい推定器を提案し,その位置ベースを両面IPWと呼ぶ。
  論文  参考訳（メタデータ） (2023-07-14T01:44:03Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Fair and Consistent Federated Learning [48.19977689926562]
  フェデレートラーニング(FL)は、分散データソースから学習する能力に対する関心が高まっている。 本稿では,異なるローカルクライアント間で性能整合性とアルゴリズムフェアネスを協調的に検討するFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-19T01:56:08Z)
• A General Framework for Fairness in Multistakeholder Recommendations [1.503974529275767]
  本稿では,個人購入者対象と並行して販売者対象をリアルタイムにパーソナライズしたレコメンデーションシステムに組み込む汎用的な定式化を提案する。 我々は、高度にスケーラブルなサブモジュール最適化アルゴリズムを活用し、提案可能な理論的品質境界を持つバイヤーにレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-09-04T23:54:06Z)

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。