論文の概要: Personalized Pricing in Social Networks with Individual and Group Fairness Considerations

• arxiv url: http://arxiv.org/abs/2512.11252v1
• Date: Fri, 12 Dec 2025 03:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.639917
• Title: Personalized Pricing in Social Networks with Individual and Group Fairness Considerations
• Title（参考訳）: 個人とグループフェアネスを考慮したソーシャルネットワークにおけるパーソナライズされた価格設定
• Authors: Zeyu Chen, Bintong Chen, Wei Qian, Jing Huang,
• Abstract要約: 本稿では、ソーシャルネットワーク設定における公平性の両面を取り入れたパーソナライズされた価格問題の新たな定式化を提案する。 顧客機能とネットワークトポロジを用いてパーソナライズされた価格ポリシーを学習する新しいフレームワークであるFairPricingを提案する。 実験により,FairPricingは個人のフェアネス知覚を改善し,グループフェアネス要求を満たすとともに高い収益性を達成することが示された。
• 参考スコア（独自算出の注目度）: 13.360754646928301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized pricing assigns different prices to customers for the same product based on customer-specific features to improve retailer revenue. However, this practice often raises concerns about fairness at both the individual and group levels. At the individual level, a customer may perceive unfair treatment if he/she notices being charged a higher price than others. At the group level, pricing disparities can result in discrimination against certain protected groups, such as those defined by gender or race. Existing studies on fair pricing typically address individual and group fairness separately. This paper bridges the gap by introducing a new formulation of the personalized pricing problem that incorporates both dimensions of fairness in social network settings. To solve the problem, we propose FairPricing, a novel framework based on graph neural networks (GNNs) that learns a personalized pricing policy using customer features and network topology. In FairPricing, individual perceived unfairness is captured through a penalty on customer demand, and thus the profit objective, while group-level discrimination is mitigated using adversarial debiasing and a price regularization term. Unlike existing optimization-based personalized pricing, which requires re-optimization whenever the network updates, the pricing policy learned by FairPricing assigns personalized prices to all customers in an updated network based on their features and the new network structure, thereby generalizing to network changes. Extensive experimental results show that FairPricing achieves high profitability while improving individual fairness perceptions and satisfying group fairness requirements.
• Abstract（参考訳）: パーソナライズされた価格は、小売業者の収益を改善するために、顧客固有の機能に基づいて、同じ製品の顧客に対して異なる価格を割り当てる。 しかし、この慣行は、個人レベルとグループレベルの両方において公平性に関する懸念を引き起こすことが多い。 個々のレベルでは、顧客が他のものよりも高い価格で請求されていることに気付くと、不公平な扱いを受けることがある。 グループレベルでは、価格格差は、性別や人種によって定義された特定の保護されたグループに対する差別をもたらす可能性がある。 既存の公正価格に関する研究は通常、個人とグループフェアネスを別々に扱う。 本稿では、ソーシャルネットワーク設定における公平性の両面を取り入れたパーソナライズされた価格問題の新しい定式化を導入することにより、ギャップを埋める。 この問題を解決するために、顧客特徴とネットワークトポロジを用いてパーソナライズされた価格ポリシーを学習するグラフニューラルネットワーク(GNN)に基づく新しいフレームワークであるFairPricingを提案する。 フェアプライシングでは、個人の不公平さは顧客需要に対するペナルティによって捉えられ、それによって利益目標が達成され、一方で、グループレベルの差別は、敵対的偏見と価格規則化の項によって緩和される。 ネットワーク更新のたびに再最適化を必要とする既存の最適化ベースのパーソナライズされた価格設定とは異なり、FairPricingが学んだ価格ポリシーは、その機能と新しいネットワーク構造に基づいて、更新されたネットワーク内のすべての顧客にパーソナライズされた価格を割り当て、ネットワーク変更に一般化する。 その結果,FairPricingは個人の公正感を高め,グループフェアネス要件を満たすとともに,高い収益性を達成することがわかった。

関連論文リスト

• Fairness for the People, by the People: Minority Collective Action [50.29077265863936]
  機械学習モデルは、トレーニングデータに存在するバイアスを保存し、一部の少数民族を不公平に扱う。 我々は,企業のトレーニングプロセスを変更することなく,公正性を高めるために,自らのデータを戦略的に再ラベルする調整されたマイノリティグループを提案する。 以上の結果から,少数民族のサブグループは,全体の予測誤差に少なからぬ影響で,不公平さを著しく低減できることが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-21T09:09:39Z)
• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• 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)
• Who Pays? Personalization, Bossiness and the Cost of Fairness [24.75616876832476]
  提供者側の公正を懸念する公正を意識したレコメンデータシステムは、保護された提供者のグループに商品や製品を宣伝する公正な機会があることを確実にする。 このようなソリューションが実装されると、インタラクションの消費者側が生み出す「公正さのコスト」がある。 本稿では, ボトムネスの概念を導入し, フェアネスを意識した推薦に応用し, この戦略的インセンティブを減らすための戦略について議論する。
  論文  参考訳（メタデータ） (2022-09-08T21:47:10Z)
• Addressing Strategic Manipulation Disparities in Fair Classification [15.032416453073086]
  少数派の個人が、機能更新に高額な費用を払っていることがよく示されます。 マイノリティグループに対する戦略的操作コストを低減させる分類器を構築するための制約付き最適化フレームワークを提案する。 実世界の複数のデータセットに対して,本手法の有効性を実証的に示す。
  論文  参考訳（メタデータ） (2022-05-22T14:59:40Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• Fairness-aware Online Price Discrimination with Nonparametric Demand Models [13.46602731592102]
  本稿では,公平性制約下での動的識別価格の問題について検討する。 本稿では,厳格な価格公正性制約を強制する,後悔に関する最適動的価格政策を提案する。
  論文  参考訳（メタデータ） (2021-11-16T04:31:02Z)
• Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
  顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。 選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
  論文  参考訳（メタデータ） (2020-12-21T01:01:56Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。