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

• 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。