論文の概要: FairDiverse: A Comprehensive Toolkit for Fair and Diverse Information Retrieval Algorithms
- arxiv url: http://arxiv.org/abs/2502.11883v1
- Date: Mon, 17 Feb 2025 15:11:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:08:10.300574
- Title: FairDiverse: A Comprehensive Toolkit for Fair and Diverse Information Retrieval Algorithms
- Title(参考訳): FairDiverse: 公正な情報検索アルゴリズムのための総合ツールキット
- Authors: Chen Xu, Zhirui Deng, Clara Rus, Xiaopeng Ye, Yuanna Liu, Jun Xu, Zhicheng Dou, Ji-Rong Wen, Maarten de Rijke,
- Abstract要約: 情報検索(IR)における公平性と多様性を考慮したアルゴリズム評価のためのオープンソースで標準化されたツールキットであるFairDiverseを提案する。
FairDiverseは、IRパイプラインのさまざまな段階において、前処理、内処理、後処理技術を含む公正で多様なメソッドを統合するためのフレームワークを提供する。
このツールキットは、16のベースモデルにまたがる28のフェアネスと多様性のアルゴリズムの評価をサポートし、2つのコアIRタスクをカバーする。
- 参考スコア(独自算出の注目度): 87.76363121804235
- License:
- Abstract: In modern information retrieval (IR). achieving more than just accuracy is essential to sustaining a healthy ecosystem, especially when addressing fairness and diversity considerations. To meet these needs, various datasets, algorithms, and evaluation frameworks have been introduced. However, these algorithms are often tested across diverse metrics, datasets, and experimental setups, leading to inconsistencies and difficulties in direct comparisons. This highlights the need for a comprehensive IR toolkit that enables standardized evaluation of fairness- and diversity-aware algorithms across different IR tasks. To address this challenge, we present FairDiverse, an open-source and standardized toolkit. FairDiverse offers a framework for integrating fair and diverse methods, including pre-processing, in-processing, and post-processing techniques, at different stages of the IR pipeline. The toolkit supports the evaluation of 28 fairness and diversity algorithms across 16 base models, covering two core IR tasks (search and recommendation) thereby establishing a comprehensive benchmark. Moreover, FairDiverse is highly extensible, providing multiple APIs that empower IR researchers to swiftly develop and evaluate their own fairness and diversity aware models, while ensuring fair comparisons with existing baselines. The project is open-sourced and available on https://github.com/XuChen0427/FairDiverse.
- Abstract(参考訳): 現代情報検索(IR)。
正確性以上の達成は、健全なエコシステムを維持するために不可欠です。
これらのニーズを満たすために、さまざまなデータセット、アルゴリズム、評価フレームワークが導入されている。
しかし、これらのアルゴリズムは様々なメトリクス、データセット、実験的なセットアップでテストされることが多く、矛盾や直接比較が困難になる。
これは、様々なIRタスクにわたる公平性と多様性を意識したアルゴリズムの標準化評価を可能にする包括的なIRツールキットの必要性を強調している。
この課題に対処するために、オープンソースで標準化されたツールキットであるFairDiverseを紹介します。
FairDiverseは、IRパイプラインのさまざまな段階において、前処理、内処理、後処理技術を含む公正で多様なメソッドを統合するためのフレームワークを提供する。
このツールキットは、16のベースモデルにまたがる28のフェアネスと多様性のアルゴリズムの評価をサポートし、2つのコアIRタスク(検索とレコメンデーション)をカバーし、包括的なベンチマークを確立する。
さらに、FairDiverseは非常に拡張性が高く、IR研究者が既存のベースラインと公正な比較を確保しつつ、自身の公正性と多様性を意識したモデルの開発と評価を迅速に提供する複数のAPIを提供する。
このプロジェクトは、https://github.com/XuChen0427/FairDiverse.comで公開されている。
関連論文リスト
- XTrack: Multimodal Training Boosts RGB-X Video Object Trackers [88.72203975896558]
マルチモーダルセンシングから得られる知識を効果的に共有することが重要である。
異なるモダリティにまたがる類似のサンプルは、他のものよりも多くの知識を共有できる。
提案手法は,現在のSOTAよりも平均+3%精度が向上したRGB-Xトラッカーである。
論文 参考訳(メタデータ) (2024-05-28T03:00:58Z) - TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods [27.473935782550388]
時系列は、経済、交通、健康、エネルギーといった様々な領域で生成される。
本稿では,時系列予測(TSF)手法の自動ベンチマークであるTFBを提案する。
論文 参考訳(メタデータ) (2024-03-29T12:37:57Z) - FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。
グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
論文 参考訳(メタデータ) (2023-06-15T19:51:28Z) - FARF: A Fair and Adaptive Random Forests Classifier [34.94595588778864]
オンライン設定の進化というより困難な状況下で,公平な意思決定のためのフレキシブルアンサンブルアルゴリズムを提案する。
このアルゴリズムはFARF(Fair and Adaptive Random Forests)と呼ばれ、オンラインコンポーネント分類器を使用して現在の分布に従って更新する。
実世界の識別データストリームの実験はFARFの有用性を実証している。
論文 参考訳(メタデータ) (2021-08-17T02:06:54Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳(メタデータ) (2021-05-24T02:30:22Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳(メタデータ) (2020-11-13T10:53:27Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z)
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。