論文の概要: Stairway to Fairness: Connecting Group and Individual Fairness

• arxiv url: http://arxiv.org/abs/2508.21334v1
• Date: Fri, 29 Aug 2025 05:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.930868
• Title: Stairway to Fairness: Connecting Group and Individual Fairness
• Title（参考訳）: フェアネスへの階段:グループ接続と個人フェアネス
• Authors: Theresia Veronika Rampisela, Maria Maistro, Tuukka Ruotsalo, Falk Scholer, Christina Lioma,
• Abstract要約: 評価尺度を総合的に比較し,グループと個人的公正度の関係について検討した。 3つのデータセットにまたがる8つの実験の結果、グループにとって非常に公平な推奨事項は、個人にとって非常に不公平であることが示された。 我々の発見は、彼らのシステムの公正性を改善することを目的としたRS実践者にとって、新しくて有用なものである。
• 参考スコア（独自算出の注目度）: 20.285686122921526
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Fairness in recommender systems (RSs) is commonly categorised into group fairness and individual fairness. However, there is no established scientific understanding of the relationship between the two fairness types, as prior work on both types has used different evaluation measures or evaluation objectives for each fairness type, thereby not allowing for a proper comparison of the two. As a result, it is currently not known how increasing one type of fairness may affect the other. To fill this gap, we study the relationship of group and individual fairness through a comprehensive comparison of evaluation measures that can be used for both fairness types. Our experiments with 8 runs across 3 datasets show that recommendations that are highly fair for groups can be very unfair for individuals. Our finding is novel and useful for RS practitioners aiming to improve the fairness of their systems. Our code is available at: https://github.com/theresiavr/stairway-to-fairness.
• Abstract（参考訳）: 推薦システム(RS)におけるフェアネスは、一般にグループフェアネスと個人フェアネスに分類される。 しかし、両種の先行研究では、各フェアネスタイプごとに異なる評価基準や評価目標が用いられており、両者の適切な比較ができないため、両者のフェアネスタイプとの関係についての科学的理解は確立されていない。 その結果、一方のフェアネスの増加が他方のフェアネスにどのように影響するかは、現時点では分かっていない。 このギャップを埋めるために、両フェアネスタイプに使用できる評価尺度を総合的に比較することにより、グループと個人のフェアネスの関係について検討する。 3つのデータセットにまたがる8つの実験の結果、グループにとって非常に公平な推奨事項は、個人にとって非常に不公平であることが示された。 我々の発見は、彼らのシステムの公正性を改善することを目的としたRS実践者にとって、新しくて有用なものである。 私たちのコードは、https://github.com/theresiavr/stairway-to-fairness.comで公開されています。

関連論文リスト

• Intersectional Two-sided Fairness in Recommendation [41.96733939002468]
  IFR(Inter-sectional Two-sided Fairness Recommendation)と呼ばれる新しいアプローチを提案する。 提案手法は,不利な群を知覚するシャープネス・アウェア・ロスを利用して協調的損失バランスを用いて,異なる交叉群に対して一貫した識別能力を開発する。 提案手法は, 両面の不公平性を効果的に軽減し, 従来手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-02-05T08:56:24Z)
• Counterpart Fairness -- Addressing Systematic between-group Differences in Fairness Evaluation [17.495053606192375]
  機械学習を用いて意思決定を行う場合、アルゴリズム上の決定が公平であり、特定の個人やグループに対して差別的でないことを保証することが重要である。 既存のグループフェアネス手法は、人種や性別などの保護された変数によって規定されたグループ間で平等な結果を保証することを目的としている。 グループ間の系統的な差異が結果に重要な役割を果たす場合、これらの手法は非保護変数の影響を見逃す可能性がある。
  論文  参考訳（メタデータ） (2023-05-29T15:41:12Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Cascaded Debiasing: Studying the Cumulative Effect of Multiple Fairness-Enhancing Interventions [48.98659895355356]
  本稿では機械学習(ML)パイプラインの異なる段階における多重公正強化介入の累積効果について検討する。 複数の介入を適用すると、集約に対する個々の介入よりも公平性と実用性が向上する。 マイナス面として、公平性向上の介入は異なる集団、特に特権集団に悪影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2022-02-08T09:20:58Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Metric-Free Individual Fairness with Cooperative Contextual Bandits [17.985752744098267]
  グループフェアネスは、グループ内の一部の個人に対して不公平であるように、異なるグループが同様に扱われるべきである。 個々の公正性は、問題固有の類似度指標に依存するため、まだ検討されていない。 本研究では,メトリックフリーな個人フェアネスと協調的文脈帯域幅アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-13T03:10:35Z)
• Two Simple Ways to Learn Individual Fairness Metrics from Data [47.6390279192406]
  個人的公正はアルゴリズム的公正の直感的な定義であり、グループ的公正の欠点のいくつかに対処する。 多くのMLタスクに対して広く受け入れられている公正な基準が欠如していることが、個人の公正を広く採用する大きな障壁である。 学習した指標による公正なトレーニングが、性別や人種的偏見に影響を受けやすい3つの機械学習タスクの公平性を改善することを実証的に示す。
  論文  参考訳（メタデータ） (2020-06-19T23:47:15Z)

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。