論文の概要: Interpolating Item and User Fairness in Multi-Sided Recommendations

• arxiv url: http://arxiv.org/abs/2306.10050v3
• Date: Sat, 25 May 2024 23:07:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 12:28:18.064016
• 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: 我々は、新しいフェアレコメンデーションフレームワーク、問題(FAIR)を紹介します。 本稿では,リアルタイム学習とフェアレコメンデーションを同時に行う低レベルのアルゴリズム形式を提案する。 我々は,プラットフォーム収益を維持する上でのフレームワークと手法の有効性を実証するとともに,アイテムとユーザ双方に望ましい公平性を確保した。
• 参考スコア（独自算出の注目度）: 13.635310806431198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today's online platforms heavily lean on algorithmic recommendations for bolstering user engagement and driving revenue. However, these recommendations can impact multiple stakeholders simultaneously -- the platform, items (sellers), and users (customers) -- each with their unique objectives, making it difficult to find the right middle ground that accommodates all stakeholders. To address this, we introduce a novel fair recommendation framework, Problem (FAIR), that flexibly balances multi-stakeholder interests via a constrained optimization formulation. We next explore Problem (FAIR) in a dynamic online setting where data uncertainty further adds complexity, and propose a low-regret algorithm FORM that concurrently performs real-time learning and fair recommendations, two tasks that are often at odds. Via both theoretical analysis and a numerical case study on real-world data, we demonstrate the efficacy of our framework and method in maintaining platform revenue while ensuring desired levels of fairness for both items and users.
• 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、収益を推進するためのアルゴリズム的なレコメンデーションに大きく依存しています。 しかしながら、これらレコメンデーションは、プラットフォーム、アイテム(販売者)、ユーザ(顧客)といった複数の利害関係者にそれぞれ独自の目的を持って同時に影響を与える可能性があるため、すべての利害関係者に対応する適切な中核を見つけるのが難しくなる。 この問題に対処するために,制約付き最適化定式化により,複数株主の利害を柔軟にバランスさせる,新たなフェアレコメンデーションフレームワークであるIssue(FAIR)を導入する。 次に、データ不確実性がさらに複雑さを増す動的なオンライン環境で問題(FAIR)を探索し、リアルタイム学習とフェアレコメンデーションを同時に実行する低レベルのアルゴリズム形式を提案する。 理論的分析と実世界のデータに関する数値ケーススタディの両方を用いて,プラットフォーム収益を維持する上でのフレームワークと手法の有効性を実証し,アイテムとユーザ双方にとって望ましい公平性を確保した。

関連論文リスト

• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Client-wise Modality Selection for Balanced Multi-modal Federated Learning [18.390448116936753]
  既存のクライアント選択方法は、ユニモーダルデータを持つFLクライアント間のばらつきを単純に考慮する。 MFLにおける従来のクライアント選択方式は、重度のモダリティレベルのバイアスに悩まされ、マルチモーダルデータの協調的利用を妨げる可能性がある。 本稿では,MFL (CMSFed) のクライアント・ワイド・モダリティ選択方式を提案する。
  論文  参考訳（メタデータ） (2023-12-31T05:37:27Z)
• Rethinking and Benchmarking Predict-then-Optimize Paradigm for Combinatorial Optimization Problems [62.25108152764568]
  多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。 統一システムにおける予測と意思決定の性能について考察する。 我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• 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)
• Achieving Fairness in Multi-Agent Markov Decision Processes Using Reinforcement Learning [30.605881670761853]
  有限水平エピソードMDPにおける公平性を実現するための強化学習手法を提案する。 このようなアプローチは、エピソード数の観点から、サブ線形後悔を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-01T03:43:53Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• 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。