論文の概要: Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF
- arxiv url: http://arxiv.org/abs/2309.08621v1
- Date: Sun, 10 Sep 2023 17:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-24 04:15:16.291277
- Title: Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF
- Title(参考訳): scrufにおけるレコメンデーションフェアネスのための社会的選択メカニズムの検討
- Authors: Amanda Aird, Cassidy All, Paresha Farastu, Elena Stefancova, Joshua
Sun, Nicholas Mattei, Robin Burke
- Abstract要約: フェアネス問題の社会的選択の定式化は、フェアネスを意識したリコメンデーションに代わる、柔軟で多面的な代替手段を提供する。
選択と割り当ての異なるクラスが、異なるが一貫した公平さ/正確さのトレードオフをもたらすことを示す。
- 参考スコア(独自算出の注目度): 11.43931298398417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fairness problems in recommender systems often have a complexity in practice
that is not adequately captured in simplified research formulations. A social
choice formulation of the fairness problem, operating within a multi-agent
architecture of fairness concerns, offers a flexible and multi-aspect
alternative to fairness-aware recommendation approaches. Leveraging social
choice allows for increased generality and the possibility of tapping into
well-studied social choice algorithms for resolving the tension between
multiple, competing fairness concerns. This paper explores a range of options
for choice mechanisms in multi-aspect fairness applications using both real and
synthetic data and shows that different classes of choice and allocation
mechanisms yield different but consistent fairness / accuracy tradeoffs. We
also show that a multi-agent formulation offers flexibility in adapting to user
population dynamics.
- Abstract(参考訳): レコメンダシステムにおける公平性問題は、しばしば単純化された研究の定式化では不十分な複雑さを持っている。
フェアネスに関するマルチエージェントアーキテクチャ内で機能するフェアネス問題の社会的選択形式は、フェアネスを意識した推奨アプローチに代わる、柔軟で多アスペクトなアプローチを提供する。
社会的選択の活用は、一般性の向上と、複数の競合する公正な関心事の間の緊張を解決するための、よく研究された社会的選択アルゴリズムの活用を可能にする。
本稿では,実データと合成データの両方を用いてマルチスペクトル・フェアネス・アプリケーションにおける選択機構の選択肢を探究し,選択機構と割り当て機構の異なるクラスは異なるが一貫性のあるフェアネス/精度のトレードオフをもたらすことを示した。
また,マルチエージェントの定式化により,ユーザ人口動態に適応できることを示す。
関連論文リスト
- Social Choice for Heterogeneous Fairness in Recommendation [9.753088666705985]
推薦システムにおけるアルゴリズムの公正性は、様々な利害関係者のニーズによく注意する必要がある。
それまでの作業はしばしば、公正性の固定された単目的の定義によって制限されてきた。
我々の研究は、計算社会の選択の観点からのフェアネスを推奨する。
論文 参考訳(メタデータ) (2024-10-06T17:01:18Z) - LLM-enhanced Reranking in Recommender Systems [49.969932092129305]
リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。
そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。
カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
論文 参考訳(メタデータ) (2024-06-18T09:29:18Z) - Learning Fair Policies for Multi-stage Selection Problems from
Observational Data [4.282745020665833]
我々は、観測データから多段階選択問題に対する公正なポリシーを学習する問題を考察する。
この問題は、企業の雇用、ローン承認、または、選択された結果のみが観察されるような保釈決定など、いくつかの高い評価の領域で発生する。
本稿では,人口格差や平等機会など,様々な公平性制約で拡張可能な多段階フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-20T16:33:15Z) - Adaptive operator selection utilising generalised experience [0.8287206589886879]
強化学習(Reinforcement Learning, RL)は, 高度に効果的な適応的な選択システムをカスタマイズし, 形成する方法として提案されている。
本稿では,RLをベースとした新たなアプローチを提案し,今後の利用経験の獲得,処理,活用のための汎用的なフレームワークの開発を支援する。
論文 参考訳(メタデータ) (2023-12-04T00:27:59Z) - 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) - Dynamic fairness-aware recommendation through multi-agent social choice [10.556124653827647]
我々は、現実世界のアプリケーション設定における公平性、特にパーソナライズされたレコメンデーションの文脈において、より複雑で多面的であると主張している。
本稿では,2段階の社会的選択問題として,推薦システムにおけるマルチステークホルダフェアネスを定式化するモデルを提案する。
論文 参考訳(メタデータ) (2023-03-02T05:06:17Z) - Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。
多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。
この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
論文 参考訳(メタデータ) (2022-11-18T21:58:35Z) - Normative Disagreement as a Challenge for Cooperative AI [56.34005280792013]
典型的な協調誘導学習アルゴリズムは、問題の解決に協力することができないと論じる。
我々は,ノルム適応政策のクラスを開発し,これらが協調性を著しく向上させることを示す実験を行った。
論文 参考訳(メタデータ) (2021-11-27T11:37:42Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳(メタデータ) (2021-11-04T20:18:55Z) - Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文 参考訳(メタデータ) (2021-02-13T19:25:52Z) - Simultaneous Relevance and Diversity: A New Recommendation Inference
Approach [81.44167398308979]
本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。
我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。
公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
論文 参考訳(メタデータ) (2020-09-27T22:20:12Z)
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。