論文の概要: Interpolating Item and User Fairness in Multi-Sided Recommendations
- arxiv url: http://arxiv.org/abs/2306.10050v2
- Date: Sat, 21 Oct 2023 17:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 08:42:28.196558
- Title: Interpolating Item and User Fairness in Multi-Sided Recommendations
- Title（参考訳）: マルチシドレコメンデーション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: 問題(FAIR)という,新たなフェアレコメンデーションフレームワークを策定する
プラットフォームは適切なアイテム/ユーザフェアネスの定義を指定でき、支払いを希望する「公正度」を決定できる。
この新たな課題に直面して、学習行為と公正なレコメンデーションの実行を効果的にバランスさせる、FORMと呼ばれる低レベルのオンラインレコメンデーションアルゴリズムを考案する。
- 参考スコア（独自算出の注目度）: 14.895597501976573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Today's online platforms rely heavily on algorithmic recommendations to
bolster user engagement and drive revenue. However, such algorithmic
recommendations can impact diverse stakeholders involved, namely the platform,
items (seller), and users (customers), each with their unique objectives. In
such multi-sided platforms, finding an appropriate middle ground becomes a
complex operational challenge. Motivated by this, we formulate a novel fair
recommendation framework, called Problem (FAIR), that not only maximizes the
platform's revenue, but also accommodates varying fairness considerations from
the perspectives of items and users. Our framework's distinguishing trait lies
in its flexibility -- it allows the platform to specify any definitions of
item/user fairness that are deemed appropriate, as well as decide the "price of
fairness" it is willing to pay to ensure fairness for other stakeholders. We
further examine Problem (FAIR) in a dynamic online setting, where the platform
needs to learn user data and generate fair recommendations simultaneously in
real time, which are two tasks that are often at odds. In face of this
additional challenge, we devise a low-regret online recommendation algorithm,
called FORM, that effectively balances the act of learning and performing fair
recommendation. Our theoretical analysis confirms that FORM proficiently
maintains the platform's revenue, while ensuring desired levels of fairness for
both items and users. Finally, we demonstrate the efficacy of our framework and
method via several case studies on real-world data.
- Abstract（参考訳）: 今日のオンラインプラットフォームは、ユーザのエンゲージメントを高め、収益を上げるためのアルゴリズムレコメンデーションに大きく依存しています。
しかし、このようなアルゴリズムによる推奨は、プラットフォーム、アイテム(セラー)、ユーザ(顧客)など、さまざまな利害関係者に影響を及ぼす可能性がある。
このような多面体プラットフォームでは、適切な中間層を見つけることは複雑な運用上の課題となる。
そこで我々は,プラットフォーム収益を最大化するだけでなく,アイテムやユーザの観点からの公平性を考慮した,新たなフェアリコメンデーションフレームワークであるIssue(FAIR)を定式化した。
私たちのフレームワークの特徴は柔軟性にあります -- プラットフォームが適切なアイテム/ユーザフェアネスの定義を指定したり、他の利害関係者に対してフェアネスを確保するために支払う"公正さの価格"を決定することができます。
さらに,プラットフォームがユーザデータを学習し,同時に適切なレコメンデーションを生成する必要がある動的オンライン環境における問題(fair)についても検討する。
この新たな課題に直面して、学習と公正なレコメンデーションの実行を効果的にバランスさせる、FORMと呼ばれる低レベルのオンラインレコメンデーションアルゴリズムを考案する。
当社の理論的分析では,フォームが,アイテムとユーザの両方に対して望ましい公平性を確保しつつ,プラットフォームの収益を巧みに維持していることを確認します。
最後に,実世界データに対するいくつかのケーススタディを通して,本手法の有効性を示す。
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。