論文の概要: Beyond Exposure: Optimizing Ranking Fairness with Non-linear Time-Income Functions
- arxiv url: http://arxiv.org/abs/2602.03345v1
- Date: Tue, 03 Feb 2026 10:11:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.386638
- Title: Beyond Exposure: Optimizing Ranking Fairness with Non-linear Time-Income Functions
- Title（参考訳）: 露出を超えて:非線形タイムインカム関数によるランク付けフェアネスの最適化
- Authors: Xuancheng Li, Tao Yang, Yujia Zhou, Qingyao Ai, Yiqun Liu,
- Abstract要約: 提供者ユーティリティが他の文脈要因の影響を受けており、アイテムの露出に等しく、かつ比例しない場合のランキングフェアネスについて検討する。
そこで我々は,Taylor-Expansion-based gradients を用いて,効果と所得の公平性を同時に最適化するダイナミック・インカム・デリバティブ・アウェア・ランキング・フェアネスアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 27.771995549036813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ranking is central to information distribution in web search and recommendation. Nowadays, in ranking optimization, the fairness to item providers is viewed as a crucial factor alongside ranking relevance for users. There are currently numerous concepts of fairness and one widely recognized fairness concept is Exposure Fairness. However, it relies primarily on exposure determined solely by position, overlooking other factors that significantly influence income, such as time. To address this limitation, we propose to study ranking fairness when the provider utility is influenced by other contextual factors and is neither equal to nor proportional to item exposure. We give a formal definition of Income Fairness and develop a corresponding measurement metric. Simulated experiments show that existing-exposure-fairness-based ranking algorithms fail to optimize the proposed income fairness. Therefore, we propose the Dynamic-Income-Derivative-aware Ranking Fairness algorithm, which, based on the marginal income gain at the present timestep, uses Taylor-expansion-based gradients to simultaneously optimize effectiveness and income fairness. In both offline and online settings with diverse time-income functions, DIDRF consistently outperforms state-of-the-art methods.
- Abstract（参考訳）: ランキングはウェブ検索とレコメンデーションにおける情報配信の中心である。
現在では、ランキング最適化において、アイテム提供者に対する公正性は、ユーザのランキング関連性に対して重要な要素であると見なされている。
現在、フェアネスの多くの概念があり、広く認知されているフェアネスのコンセプトはエクスポージャーフェアネスである。
しかし、それは主に、時間などの所得に大きな影響を及ぼす他の要因を見越して、ポジションによってのみ決定される露出に依存している。
この制限に対処するために,プロバイダユーティリティが他のコンテキスト要因の影響を受けており,アイテムの露出に等しくもなく,比例しない場合のランキングフェアネスについて検討することを提案する。
我々は、インカムフェアネスの正式な定義を与え、対応する測定基準を開発する。
シミュレーション実験により、既存の露光フェアネスに基づくランキングアルゴリズムは、提案された所得公正度を最適化できないことが示された。
そこで本稿では,現状の限界所得率に基づいて,Taylor-Expansionに基づく勾配を用いて,効率性と所得公正性を同時に最適化するダイナミック・インカム・デリバティブ・ライティング・フェアネスアルゴリズムを提案する。
DIDRFは、オフラインとオンラインの両方で様々なタイムインカム機能を備えており、常に最先端の手法よりも優れています。
関連論文リスト
- Equity vs. Equality: Optimizing Ranking Fairness for Tailored Provider Needs [29.32978829799322]
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。
論文 参考訳（メタデータ） (2026-01-31T03:44:31Z) - Online Fair Division with Additional Information [7.435063833417366]
オンライン環境では,特定不可能な商品をエージェントにかなり割り当てる問題について検討する。
我々は、将来の商品に関する情報の入手が、公平なアロケーションの存在と近似性にどのように影響するかを問う。
既知結果よりも高い公平性を保証するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-30T12:06:16Z) - Understanding Accuracy-Fairness Trade-offs in Re-ranking through Elasticity in Economics [96.68144350976637]
公平さはタスクの再ランク付けにおいてますます重要な要素である。
正確性と公正性のトレードオフは、商品税の移転プロセスの結合と平行である。
評価フレームワークとしてElastic Fairness Curve (EF-Curve)を導入する。
また,等級間距離の調整に弾性計算を利用する等級アルゴリズムであるElasticRankを提案する。
論文 参考訳（メタデータ） (2025-04-21T09:41:08Z) - 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) - Targeted Learning for Data Fairness [52.59573714151884]
データ生成プロセス自体の公平性を評価することにより、公平性推論を拡張する。
我々は、人口統計学的平等、平等機会、条件付き相互情報から推定する。
提案手法を検証するため,いくつかのシミュレーションを行い,実データに適用する。
論文 参考訳（メタデータ） (2025-02-06T18:51:28Z) - Consistent End-to-End Estimation for Counterfactual Fairness [56.9060492313073]
本稿では, 対実フェアネスの予測を行うための新しい対実フェアネス予測器を提案する。
我々は,本手法が対実公正性の概念を確実にするのに有効であることを理論的に保証する。
論文 参考訳（メタデータ） (2023-10-26T17:58:39Z) - Sampling Individually-Fair Rankings that are Always Group Fair [9.333939443470944]
公正ランキングタスクは、グループフェアネスの制約を満たすために、実用性を最大化するために一連のアイテムをランク付けするよう要求する。
近年の研究では、品物の効用の不確かさが不公平の原因となっている。
我々は,各アウトプットランキングがグループフェアであることを保証しながら,個別のフェア分布からランキングを抽出する効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-21T01:26:34Z) - FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。
グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
論文 参考訳（メタデータ） (2023-06-15T19:51:28Z) - 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) - Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。
本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
論文 参考訳（メタデータ） (2022-03-12T02:22:58Z)
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。