論文の概要: Equity vs. Equality: Optimizing Ranking Fairness for Tailored Provider Needs

• arxiv url: http://arxiv.org/abs/2602.00495v1
• Date: Sat, 31 Jan 2026 03:44:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-02-03 13:37:27.636945
• Title: Equity vs. Equality: Optimizing Ranking Fairness for Tailored Provider Needs
• Title（参考訳）: Equity vs. Equality:Tailored Provider ニーズのランク付けフェアネスを最適化する
• Authors: Yiteng Tu, Weihang Su, Shuguang Han, Yiqun Liu, Qingyao Ai,
• Abstract要約: 露出や販売といった主要な成果に対して、各プロバイダの嗜好を明示的にモデル化する、株式指向の公正性フレームワークを導入します。 EquityRankは、ユーザ側の有効性とプロバイダ側株式を協調的に最適化する勾配に基づくアルゴリズムである。
• 参考スコア（独自算出の注目度）: 29.32978829799322
• License:
• Abstract: Ranking plays a central role in connecting users and providers in Information Retrieval (IR) systems, making provider-side fairness an important challenge. While recent research has begun to address fairness in ranking, most existing approaches adopt an equality-based perspective, aiming to ensure that providers with similar content receive similar exposure. However, it overlooks the diverse needs of real-world providers, whose utility from ranking may depend not only on exposure but also on outcomes like sales or engagement. Consequently, exposure-based fairness may not accurately capture the true utility perceived by different providers with varying priorities. To this end, we introduce an equity-oriented fairness framework that explicitly models each provider's preferences over key outcomes such as exposure and sales, thus evaluating whether a ranking algorithm can fulfill these individualized goals while maintaining overall fairness across providers. Based on this framework, we develop EquityRank, a gradient-based algorithm that jointly optimizes user-side effectiveness and provider-side equity. Extensive offline and online simulations demonstrate that EquityRank offers improved trade-offs between effectiveness and fairness and adapts to heterogeneous provider needs.
• Abstract（参考訳）: ランク付けは、情報検索システム(IR)におけるユーザとプロバイダの接続において中心的な役割を果たす。 最近の研究は、ランキングの公平性に対処し始めているが、既存のほとんどのアプローチは、類似したコンテンツを持つプロバイダが同様の露出を確実にすることを目的として、平等に基づく視点を採用している。 ランキングから得られるユーティリティは、露出だけでなく、販売やエンゲージメントといった結果にも依存する可能性がある。 その結果、露光ベースの公正さは、異なるプロバイダによって認識される真のユーティリティを、さまざまな優先順位で正確にキャプチャすることができない。 この目的のために、各プロバイダの露出や販売といった主要な成果に対する嗜好を明示的にモデル化し、各プロバイダ間の全体的な公正性を維持しつつ、ランキングアルゴリズムがこれらの個別目標を達成できるかどうかを評価する、株式指向の公正性フレームワークを導入する。 この枠組みに基づいて,ユーザ側の有効性とプロバイダ側株式を協調的に最適化する勾配に基づくアルゴリズムであるEquityRankを開発した。 大規模なオフラインおよびオンラインシミュレーションは、EquityRankが有効性と公平性の間のトレードオフを改善し、異種プロバイダのニーズに適応していることを示している。

関連論文リスト

• Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
  競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。 我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
  論文  参考訳（メタデータ） (2024-11-20T18:06:55Z)
• Towards Fair RAG: On the Impact of Fair Ranking in Retrieval-Augmented Generation [53.285436927963865]
  本論文は,公正度を意識したランキングを組み込んだRAGシステムの最初の体系的評価である。 フェアネスを意識した検索を組み込むことで、ランキング品質と生成品質の両面を維持・強化することが少なくない。
  論文  参考訳（メタデータ） (2024-09-17T23:10:04Z)
• 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)
• 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)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• Opportunistic Multi-aspect Fairness through Personalized Re-ranking [5.8562079474220665]
  複数の公正度次元にわたる個人の嗜好を学習するフェアネス・アウェア・レコメンデーションに対する再ランクのアプローチを提案する。 我々は,我々の正当性とメートル法に依存しないアプローチが,従来よりも正確性と公平性の間のトレードオフを良好に達成していることを示す。
  論文  参考訳（メタデータ） (2020-05-21T04:25:20Z)

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。