論文の概要: Equity by Design: Fairness-Driven Recommendation in Heterogeneous Two-Sided Markets

• arxiv url: http://arxiv.org/abs/2602.10739v1
• Date: Wed, 11 Feb 2026 10:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.782936
• Title: Equity by Design: Fairness-Driven Recommendation in Heterogeneous Two-Sided Markets
• Title（参考訳）: デザインのエクイティ:不均一な二面市場におけるフェアネス駆動の勧告
• Authors: Dominykas Seputis, Rajeev Verma, Alexander Timans,
• Abstract要約: 本研究では,グループレベルのユーティリティ格差を圧縮する消費者側の目的として,Conditional Value-at-Riskを紹介した。 実験の結果,生産者の制約が消費者のコストを負担しない「自由公正」体制は,複数項目設定で消滅することが明らかとなった。 厳密には、適度な公正性の制約は、飽和生産者からの露出を多様化することで、ビジネスメトリクスを改善することができる。
• 参考スコア（独自算出の注目度）: 44.675845572303324
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Two-sided marketplaces embody heterogeneity in incentives: producers seek exposure while consumers seek relevance, and balancing these competing objectives through constrained optimization is now a standard practice. Yet real platforms face finer-grained complexity: consumers differ in preferences and engagement patterns, producers vary in catalog value and capacity, and business objectives impose additional constraints beyond raw relevance. We formalize two-sided fairness under these realistic conditions, extending prior work from soft single-item allocations to discrete multi-item recommendations. We introduce Conditional Value-at-Risk (CVaR) as a consumer-side objective that compresses group-level utility disparities, and integrate business constraints directly into the optimization. Our experiments reveal that the "free fairness" regime, where producer constraints impose no consumer cost, disappears in multi item settings. Strikingly, moderate fairness constraints can improve business metrics by diversifying exposure away from saturated producers. Scalable solvers match exact solutions at a fraction of the runtime, making fairness-aware allocation practical at scale. These findings reframe fairness not as a tax on platform efficiency but as a lever for sustainable marketplace health.
• Abstract（参考訳）: 生産者は露出を求め、消費者は関連性を求め、これらの競合する目標を制約された最適化によってバランスさせることは、今や標準的慣行となっている。 消費者は好みやエンゲージメントのパターンが異なり、生産者はカタログの価値とキャパシティが異なる。 これらの現実的な条件下で両面の公正性を定式化し、ソフトな単一項目割り当てから離散的な多重項目推奨まで、先行作業を拡張した。 条件付きバリュー・アット・リスク(CVaR)は,グループレベルのユーティリティ格差を圧縮し,ビジネス制約を直接最適化に統合する消費者側の目的として導入する。 実験の結果,生産者の制約が消費者のコストを負担しない「自由公正」体制は,複数項目設定で消滅することが明らかとなった。 厳密には、適度な公正性の制約は、飽和生産者からの露出を多様化することで、ビジネスメトリクスを改善することができる。 スケーラブルなソルバはランタイムのごく一部で正確なソリューションと一致し、フェアネスを意識したアロケーションを大規模に実践することができる。 これらの結果は、プラットフォーム効率に対する課税ではなく、持続可能な市場健康のためのレバーとして、公正性を再設定した。

関連論文リスト

• Fairness Aware Reward Optimization [78.85867531002346]
  本稿では,Fairness Aware Reward Optimization (Faro)を紹介した。Fairness Aware Reward Optimization (Faro)は,階層的平等,等化オッズ,あるいは反実的フェアネス制約の下で報酬モデルを訓練するプロセス内フレームワークである。 LLMアライメントにおける報酬レベルの公平性に関する最初の理論的解析を行った。 Faroはモデルの品質を維持したり改善したりしながら、バイアスや有害な世代を著しく削減します。
  論文  参考訳（メタデータ） (2026-02-08T03:35:49Z)
• Fairness-Aware Insurance Pricing: A Multi-Objective Optimization Approach [1.529342790344802]
  機械学習は保険価格の予測精度を向上させるが、異なる差別措置間で競合する公正基準の間のトレードオフを悪化させる。 非支配的ソーティング遺伝的アルゴリズムII(NSGA-II)を用いて、4つの基準すべてを共同で最適化する新しい多目的最適化フレームワークを提案する。 以上の結果から,XGBoostはGLMの精度は向上するが,公平性は向上し,オルソゴンモデルはグループフェアネスに優れ,合成制御は個人的および非現実的フェアネスに導かれることがわかった。
  論文  参考訳（メタデータ） (2025-12-31T09:42:03Z)
• Producer-Fairness in Sequential Bundle Recommendation [62.22091013241362]
  我々は、レコメンデーションセッションにおいて、ユーザ間で異なるアイテムグループに望ましい露出を実現するために、プロデューサフェールネスを形式化する。 この問題の小さな事例に対処する正確な解決策を提案する。 次に、品質優先と公平優先の2点と、バンドルの公平性と品質の適切なバランスをオンザフライで決定する適応的変種について検討する。
  論文  参考訳（メタデータ） (2025-06-25T11:24:52Z)
• OptiGrad: A Fair and more Efficient Price Elasticity Optimization via a Gradient Based Learning [7.145413681946911]
  本稿では,非生命保険市場の利益率を勾配降下法により最適化する新しい手法を提案する。 1)利益マージンの最大化、2)転換率の確保、3)人口比率(DP)などの公正基準の実施の3つの主要な目標を目標としている。
  論文  参考訳（メタデータ） (2024-04-16T04:21:59Z)
• Bidding Strategies for Proportional Representation in Advertisement Campaigns [8.269283912626873]
  同一入札は、異なる種類の個人に対する不均一な競争のレベルが原因で、等質な結果が得られないことが示される。 プラットフォームメカニズムを変更しない変更を検討し、代わりに広告主が使用する入札戦略を変更します。
  論文  参考訳（メタデータ） (2023-05-22T23:29:05Z)
• 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)
• Regulatory Instruments for Fair Personalized Pricing [34.986747852934634]
  規制制約下での利益最大化独占の最適価格戦略と、消費者余剰・生産余剰・社会福祉への影響について検討する。 我々の発見と洞察は、デジタル時代における独占化ビジネスの規制政策設計に光を当てた。
  論文  参考訳（メタデータ） (2022-02-09T03:07:08Z)
• 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)
• Beyond Individual and Group Fairness [90.4666341812857]
  本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。 我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
  論文  参考訳（メタデータ） (2020-08-21T14:14:44Z)

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。