論文の概要: Fairness for niche users and providers: algorithmic choice and profile portability

• arxiv url: http://arxiv.org/abs/2509.22660v1
• Date: Thu, 28 Aug 2025 07:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.769463
• Title: Fairness for niche users and providers: algorithmic choice and profile portability
• Title（参考訳）: ニッチなユーザとプロバイダの公正性:アルゴリズムの選択とプロファイルポータビリティ
• Authors: Elizabeth McKinnie, Anas Buhayh, Clement Canel, Robin Burke,
• Abstract要約: アルゴリズム的多元性がレコメンデーションエコシステムに与える影響について検討する。 これまでの研究によると、ニッチな消費者や(特に)ニッチなプロバイダーはアルゴリズムによる選択の恩恵を受けている。 ユーザプロファイルの扱いに関する異なるポリシーが、消費者や提供者にとって公正な結果とどのように相互作用するかを考察する。
• 参考スコア（独自算出の注目度）: 0.7711381100220001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring fair outcomes for multiple stakeholders in recommender systems has been studied mostly in terms of algorithmic interventions: building new models with better fairness properties, or using reranking to improve outcomes from an existing algorithm. What has rarely been studied is structural changes in the recommendation ecosystem itself. Our work explores the fairness impact of algorithmic pluralism, the idea that the recommendation algorithm is decoupled from the platform through which users access content, enabling user choice in algorithms. Prior work using a simulation approach has shown that niche consumers and (especially) niche providers benefit from algorithmic choice. In this paper, we use simulation to explore the question of profile portability, to understand how different policies regarding the handling of user profiles interact with fairness outcomes for consumers and providers.
• Abstract（参考訳）: 推薦システムにおける複数の利害関係者の公正な結果を保証することは、主にアルゴリズムの介入の観点で研究されている。 滅多に研究されていないのは、レコメンデーションエコシステム自体の構造変化である。 本研究は,ユーザがコンテンツにアクセスするプラットフォームからレコメンデーションアルゴリズムを分離し,ユーザのアルゴリズム選択を可能にするという,アルゴリズム的多元性による公正性の影響について考察する。 シミュレーションアプローチを使った以前の研究は、ニッチな消費者や(特に)ニッチなプロバイダーがアルゴリズムの選択から恩恵を受けていることを示している。 本稿では、ユーザプロファイルの扱いに関する異なるポリシーが、コンシューマやプロバイダの公正な結果とどのように相互作用するかを理解するために、プロファイルポータビリティーの問題をシミュレーションを用いて検討する。

関連論文リスト

• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• Interactive Counterfactual Exploration of Algorithmic Harms in Recommender Systems [3.990406494980651]
  本研究では,レコメンデーションシステムにおけるアルゴリズム的害の影響を理解し,探索するための対話型ツールを提案する。 視覚化、反事実的説明、インタラクティブなモジュールを活用することで、ユーザは誤校正などのバイアスがレコメンデーションにどのように影響するかを調査できる。
  論文  参考訳（メタデータ） (2024-09-10T23:58:27Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。 参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。 この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)
• Personalized Algorithmic Recourse with Preference Elicitation [20.78332455864586]
  PEARは、エンドユーザーのニーズに合わせてパーソナライズされたアルゴリズムの講義を提供する。 PEARは、ベイジアン選好引用からの洞察に基づいて、ターゲットユーザに対して選択セットクエリを尋ねることで、アクションのコストを反復的に見積もる。 実世界のデータセットに対する実証的な評価は、PEARがいかに高品質なパーソナライズされたリコースをほんの数イテレーションで生成するかを強調します。
  論文  参考訳（メタデータ） (2022-05-27T03:12:18Z)
• Learning User Preferences in Non-Stationary Environments [42.785926822853746]
  オンラインノンステーショナリーレコメンデーションシステムのための新しいモデルを紹介します。 好みが変化しない場合でも,我々のアルゴリズムが他の静的アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-29T10:26:16Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)

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。