Fugu-MT 論文翻訳(概要): A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems

論文の概要: A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems

arxiv url: http://arxiv.org/abs/2402.00485v1
Date: Thu, 1 Feb 2024 10:42:05 GMT
ステータス: 処理完了
システム内更新日: 2024-02-02 15:37:28.103204
Title: A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems
Title（参考訳）: レコメンダシステムにおける消費者・生産者グループフェアネス最適化のためのパーソナライズドフレームワーク
Authors: Hossein A. Rahmani, Mohammadmehdi Naghiaei, Yashar Deldjoo
Abstract要約: 本稿では,CP-FairRankを提案する。CP-FairRankは,消費者と生産者の双方の公正性制約をシームレスに統合する最適化アルゴリズムである。提案手法は, 消費者および生産者の公正性を, 全体的な推薦品質を損なうことなく向上させることができることを示す。
参考スコア（独自算出の注目度）: 13.89038866451741
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, there has been an increasing recognition that when machine learning (ML) algorithms are used to automate decisions, they may mistreat individuals or groups, with legal, ethical, or economic implications. Recommender systems are prominent examples of these machine learning (ML) systems that aid users in making decisions. The majority of past literature research on RS fairness treats user and item fairness concerns independently, ignoring the fact that recommender systems function in a two-sided marketplace. In this paper, we propose CP-FairRank, an optimization-based re-ranking algorithm that seamlessly integrates fairness constraints from both the consumer and producer side in a joint objective framework. The framework is generalizable and may take into account varied fairness settings based on group segmentation, recommendation model selection, and domain, which is one of its key characteristics. For instance, we demonstrate that the system may jointly increase consumer and producer fairness when (un)protected consumer groups are defined on the basis of their activity level and main-streamness, while producer groups are defined according to their popularity level. For empirical validation, through large-scale on eight datasets and four mainstream collaborative filtering (CF) recommendation models, we demonstrate that our proposed strategy is able to improve both consumer and producer fairness without compromising or very little overall recommendation quality, demonstrating the role algorithms may play in avoiding data biases.
Abstract（参考訳）: 近年、機械学習(ML)アルゴリズムが意思決定を自動化する際には、法的、倫理的、経済的な影響で個人やグループを誤った扱いをする可能性があるという認識が高まっている。リコメンダシステムは、ユーザが意思決定を行うのを助ける機械学習(ML)システムの顕著な例である。 RSフェアネスに関する過去の文献研究の大部分は、ユーザとアイテムのフェアネスに関する懸念を個別に扱うものであり、リコメンダシステムが両側のマーケットプレースで機能するという事実を無視している。本稿では,消費者側と生産側の両方からフェアネス制約をシームレスに統合した最適化に基づく再ランキングアルゴリズムcp-fairrankを提案する。このフレームワークは一般化可能であり、グループセグメンテーション、レコメンデーションモデルの選択、ドメインに基づいて、さまざまな公平性設定を考慮に入れることができる。例えば、(アン)保護された消費者グループが活動レベルとメインストリーム度に基づいて定義され、一方、プロデューサグループが人気度に応じて定義されている場合に、システムが消費者とプロデューサの公平性を高めることを実証する。 8つのデータセットと4つのメインストリームのコラボレーティブフィルタリング(cf)レコメンデーションモデルで大規模に検証することで,提案手法が消費者と生産者の両方の公平性を,妥協や全体的なレコメンデーション品質を損なうことなく改善できることを実証し,データバイアスを回避する上でアルゴリズムが果たす役割を実証した。

関連論文リスト

FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning [48.38344934125999]
提案手法は,高品質なデータ拡張を実現し,コメンデーションフェアネスを改善する方法である。具体的には,動的グラフ対逆学習フレームワークであるFairDgclを提案する。 FairDgclは、公正さと精度の両方を持つ拡張表現を同時に生成できることを示す。
論文参考訳（メタデータ） (2024-10-23T04:43:03Z)
Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文参考訳（メタデータ） (2024-02-07T20:53:53Z)
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文参考訳（メタデータ） (2022-09-30T05:42:56Z)
Application of Machine Learning for Online Reputation Systems [0.4125187280299248]
本稿では、消費者プロフィールから消費者の信頼度を予測するために機械学習を用いた新しい評価システムを提案する。提案モデルは10-Foldsクロスバリデーションを用いて、3つのMovieLensベンチマークデータセットで評価されている。
論文参考訳（メタデータ） (2022-09-10T12:31:40Z)
Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文参考訳（メタデータ） (2022-07-04T17:49:25Z)
Experiments on Generalizability of User-Oriented Fairness in Recommender Systems [2.0932879442844476]
公正を意識した推薦システムは、異なるユーザーグループを同様に扱うことを目的としている。本稿では,ユーザ中心の公平度を再評価するフレームワークを提案する。我々は、ユーザ(NDCGなど)とアイテム(新規性、アイテムフェアネスなど)の両方から、フレームワークの再ランク付けによる最終的なレコメンデーションを評価する。
論文参考訳（メタデータ） (2022-05-17T12:36:30Z)
Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
論文参考訳（メタデータ） (2022-04-29T19:13:23Z)
CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems [5.145741425164946]
本稿では,消費者側と生産側の両方から公平性制約をシームレスに統合する最適化に基づく再ランク付け手法を提案する。提案手法は, 消費者と生産者の公正性を両立させ, 全体的な推奨品質を低下させることなく向上させることができることを示す。
論文参考訳（メタデータ） (2022-04-17T20:38:02Z)
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation [4.578469978594752]
本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
論文参考訳（メタデータ） (2022-02-27T08:02:19Z)
User-oriented Fairness in Recommendation [21.651482297198687]
我々は,レコメンダシステムにおける不公平性問題に対して,ユーザの視点から対処する。ユーザの行動レベルに応じて、有利で不利なグループにグループ化します。提案手法は,レコメンデーションシステムにおけるユーザのグループ公平性を向上するだけでなく,全体的なレコメンデーション性能も向上する。
論文参考訳（メタデータ） (2021-04-21T17:50:31Z)
Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。