論文の概要: Learning to Rank with Top-$K$ Fairness

• arxiv url: http://arxiv.org/abs/2509.18067v1
• Date: Mon, 22 Sep 2025 17:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.547732
• Title: Learning to Rank with Top-$K$ Fairness
• Title（参考訳）: トップ$K$フェアネスでランク付けを学ぶ
• Authors: Boyang Zhang, Quanqi Hu, Mingxuan Sun, Qihang Lin, Tianbao Yang,
• Abstract要約: ほとんどの公正を意識したランキングシステムは、ランキング全体のグループの平均露出を確実にすることに焦点を当てている。 本稿では、上位のK$ランキングにおける不等式の問題に対処するリストワイズ学習 to ランクフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.93371887251112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in ranking models is crucial, as disparities in exposure can disproportionately affect protected groups. Most fairness-aware ranking systems focus on ensuring comparable average exposure for groups across the entire ranked list, which may not fully address real-world concerns. For example, when a ranking model is used for allocating resources among candidates or disaster hotspots, decision-makers often prioritize only the top-$K$ ranked items, while the ranking beyond top-$K$ becomes less relevant. In this paper, we propose a list-wise learning-to-rank framework that addresses the issues of inequalities in top-$K$ rankings at training time. Specifically, we propose a top-$K$ exposure disparity measure that extends the classic exposure disparity metric in a ranked list. We then learn a ranker to balance relevance and fairness in top-$K$ rankings. Since direct top-$K$ selection is computationally expensive for a large number of items, we transform the non-differentiable selection process into a differentiable objective function and develop efficient stochastic optimization algorithms to achieve both high accuracy and sufficient fairness. Extensive experiments demonstrate that our method outperforms existing methods.
• Abstract（参考訳）: 被曝の格差が保護されたグループに不均等に影響を及ぼす可能性があるため、ランキングモデルの公正性は極めて重要である。 ほとんどの公正を意識したランキングシステムは、ランキング全体でのグループ平均露出の確保に重点を置いているが、これは現実世界の懸念を完全に解決するものではないかもしれない。 例えば、候補または災害ホットスポット間のリソース割り当てにランキングモデルを使用する場合、意思決定者は上位のK$のみを優先順位付けするが、上位のK$を超えるランキングは重要度が低い。 本稿では,トップクラスのK$ランキングにおける不等式の問題に対処する,リストワイドな学習 to ランクフレームワークを提案する。 具体的には、ランクリストにおける古典的露光不均等度を拡大する、上位$Kの露光不均等度尺度を提案する。 次にランク付け者を学び、その妥当性と公平さをトップ$K$ランク付けでバランスさせる。 直接トップ$K$選択は、多数の項目に対して計算コストがかかるので、微分不可能な選択プロセスを微分可能な目的関数に変換し、高い精度と十分な公正性を達成するための効率的な確率最適化アルゴリズムを開発する。 大規模な実験により,本手法が既存手法より優れていることが示された。

関連論文リスト

• RankList -- A Listwise Preference Learning Framework for Predicting Subjective Preferences [66.76322360727809]
  RankNetを構造化されたリストレベルの監視に一般化するリストワイズ選好学習フレームワークである RankList を提案する。 我々の定式化は確率的枠組みの中で局所的および非局所的ランキング制約を明示的にモデル化する。 実験は多種多様性にまたがる手法の優越性を実証した。
  論文  参考訳（メタデータ） (2025-08-13T13:59:41Z)
• ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability [83.16850534680505]
  本稿では,自動推論集約型トレーニングデータ合成フレームワークを提案する。 自己整合性データフィルタリング機構は、データ品質を保証するために設計されている。 トレーニングされた推論集約型リランカ textbfReasonRank は,BRIGHT のリーダボード上での最先端 (SOTA) のパフォーマンス40.6 を達成する。
  論文  参考訳（メタデータ） (2025-08-09T17:26:18Z)
• What's in a Query: Polarity-Aware Distribution-Based Fair Ranking [15.602253525743798]
  ランキングにおける注意分布に基づく公正度に関する新しい尺度を提案する。 群フェアネスは個々のフェアネスによって上界であることが証明される。 償却公正ランキングの先行研究は、クエリに関する重要な情報を無視していることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T04:38:36Z)
• Fairness in Ranking under Disparate Uncertainty [24.401219403555814]
  我々は、基礎となる関連モデルの不確実性がオプション群間で異なる場合、ランク付けは不公平をもたらす可能性があると論じる。 ランク付けのための新しい公正基準として平等ランク付け(EOR)を提案する。 異なる不確実性が存在する場合でも、EORは関連する選択肢の中でグループワイドフェア・宝くじに対応していることを示す。
  論文  参考訳（メタデータ） (2023-09-04T13:49:48Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• Explainable Disparity Compensation for Efficient Fair Ranking [0.3759936323189418]
  意思決定システムで使用されるランク付け関数は、基礎となるデータに偏りがあるため、異なる集団に対して異なる結果をもたらすことが多い。 最近の補償策は主に、公正性を保証するためにランク関数の不透明な変換に焦点を当てている。 本稿では,ランキング関数に対するデータ駆動型補償法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T09:12:50Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)
• 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。