論文の概要: Guaranteeing Accuracy and Fairness under Fluctuating User Traffic: A Bankruptcy-Inspired Re-ranking Approach

• arxiv url: http://arxiv.org/abs/2405.16120v2
• Date: Fri, 16 Aug 2024 11:15:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:01:53.659186
• Title: Guaranteeing Accuracy and Fairness under Fluctuating User Traffic: A Bankruptcy-Inspired Re-ranking Approach
• Title（参考訳）: ゆらぎのあるユーザトラフィックにおける正確さと公正性の確保--倒産に触発されたリグレードアプローチ
• Authors: Xiaopeng Ye, Chen Xu, Jun Xu, Xuyang Xie, Gang Wang, Zhenhua Dong,
• Abstract要約: 本稿では,バンクフェアという新たなフェアネス・アウェア・アプローチを提案する。 BankFairは、豊富なユーザトラフィックの期間を利用して、ユーザトラフィック不足の期間を相殺するために、Talmudルールを採用している。 2つの実世界のレコメンデーションデータセットの実験では、BankFairは正確性とプロバイダの公正性に関して、すべてのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 18.08572059176545
• License:
• Abstract: Out of sustainable and economical considerations, two-sided recommendation platforms must satisfy the needs of both users and providers. Previous studies often show that the two sides' needs show different urgency: providers need a relatively long-term exposure demand while users want more short-term and accurate service. However, our empirical study reveals that previous methods for trading off fairness-accuracy often fail to guarantee long-term fairness and short-term accuracy simultaneously in real applications of fluctuating user traffic. Especially, when user traffic is low, the user experience often drops a lot. Our theoretical analysis also confirms that user traffic is a key factor in such a trade-off problem. How to guarantee accuracy and fairness under fluctuating user traffic remains a problem. Inspired by the bankruptcy problem in economics, we propose a novel fairness-aware re-ranking approach named BankFair. Intuitively, BankFair employs the Talmud rule to leverage periods of abundant user traffic to offset periods of user traffic scarcity, ensuring consistent user service at every period while upholding long-term fairness. Specifically, BankFair consists of two modules: (1) employing the Talmud rule to determine the required fairness degree under varying periods of user traffic; and (2) conducting an online re-ranking algorithm based on the fairness degree determined by the Talmud rule. Experiments on two real-world recommendation datasets show that BankFair outperforms all baselines regarding accuracy and provider fairness.
• Abstract（参考訳）: 持続的かつ経済的な考慮から、両面のレコメンデーションプラットフォームは、ユーザとプロバイダの両方のニーズを満たす必要がある。 プロバイダは比較的長期の露光需要を必要とし、ユーザはより短期的で正確なサービスを求めている。 しかし,我々の実証実験では,従来のフェアネス精度のトレードオフ手法は,ユーザトラフィック変動の現実的応用において,長期のフェアネスと短期の精度を同時に保証できない場合が多いことが判明した。 特に、ユーザトラフィックが低い場合には、ユーザエクスペリエンスが低下することが多い。 また,このようなトレードオフ問題において,ユーザトラフィックが重要な要因であることを理論的解析により確認した。 ユーザトラフィックの変動による正確性と公正性を保証する方法は依然として問題である。 経済学における倒産問題に触発され,バンクフェアという新たなフェアネス・アウェア・リグレード・アプローチを提案する。 直感的には、BankFairはTalmudルールを使用して、豊富なユーザトラフィックの周期を、ユーザのトラフィック不足のオフセット期間に活用し、長期的公正性を維持しながら、各期間で一貫したユーザサービスを確保する。 具体的には,(1)ユーザトラフィックの異なる期間における要求公正度を決定するためにTalmudルールを採用すること,(2)Talmudルールによって決定される公正度に基づいてオンライン再ランクアルゴリズムを実行すること,の2つのモジュールから構成される。 2つの実世界のレコメンデーションデータセットの実験では、BankFairは正確性とプロバイダの公正性に関して、すべてのベースラインを上回っている。

関連論文リスト

• Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
  近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。 本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2024-03-15T02:04:35Z)
• Online Decision Mediation [72.80902932543474]
  意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。 臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
  論文  参考訳（メタデータ） (2023-10-28T05:59:43Z)
• Impatient Bandits: Optimizing Recommendations for the Long-Term Without Delay [29.23091752603817]
  本稿では,遅延報酬を伴うマルチアームバンディット問題として定式化したコンテンツ探索課題について検討する。 これまでに得られたすべての情報を組み込んだ遅延報酬の予測モデルを開発した。 提案手法をポッドキャストレコメンデーション問題に適用し,ユーザが2ヶ月以上繰り返し参加する番組を特定する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:16Z)
• Interpolating Item and User Fairness in Multi-Sided Recommendations [13.635310806431198]
  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。
  論文  参考訳（メタデータ） (2023-06-12T15:00:58Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• BDTS: Blockchain-based Data Trading System [7.344424862345025]
  BDTSは公正な交換プロトコルを実装しており、不正直な振る舞いが罰せられる。 我々は、取引ゲームにおける消費者、売り手、ディーラーの戦略を分析し、誰もが彼らの利益に対して正直であるべきだと指摘する。
  論文  参考訳（メタデータ） (2022-11-18T03:01:36Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• FADE: FAir Double Ensemble Learning for Observable and Counterfactual Outcomes [0.0]
  公正予測器を構築する方法は、フェアネスと精度、およびフェアネスの異なる基準の間のトレードオフを伴うことが多い。 フェアネス・精度の空間を効率的に探索できるフェアアンサンブル学習のためのフレキシブルなフレームワークを開発した。 驚くべきことに、複数の不公平度対策は、精度にほとんど影響を与えないと同時に、同時に最小化できることが示される。
  論文  参考訳（メタデータ） (2021-09-01T03:56:43Z)
• Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning [68.25805655688876]
  推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。 IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。 大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
  論文  参考訳（メタデータ） (2021-06-25T02:02:51Z)
• Promoting Fairness through Hyperparameter Optimization [4.479834103607383]
  この研究は、現実世界の不正検出アプリケーションの文脈において、従来のMLモデル開発から生じる不公平さを探求する。 本稿では,一般的な3つのhoアルゴリズム,fair random search,fair tpe,fairbandの提案と評価を行う。 我々は、現実の銀行口座の不正使用事例のオープニングと、フェアネス文献からの3つのデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-03-23T17:36:22Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)

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。