論文の概要: From Universal to Individualized Actionability: Revisiting Personalization in Algorithmic Recourse

• arxiv url: http://arxiv.org/abs/2604.08030v1
• Date: Thu, 09 Apr 2026 09:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.841232
• Title: From Universal to Individualized Actionability: Revisiting Personalization in Algorithmic Recourse
• Title（参考訳）: 普遍的行動性から個人的行動性へ:アルゴリズム的言説におけるパーソナライズを再考する
• Authors: Lena Marie Budde, Ayan Majumdar, Richard Uth, Markus Langer, Isabel Valera,
• Abstract要約: 個人の行動可能性としてパーソナライゼーションを形式化し、どの特徴が個別に行動可能かを規定する厳密な制約と、アクション値やコストよりも好みをキャプチャするソフトな個別化された制約の2つの側面に沿って特徴付けられる。 個人の行動可能性の制約、特に難しい制約は、レコメンデーションの妥当性と妥当性を著しく低下させます。
• 参考スコア（独自算出の注目度）: 7.406039110392314
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Algorithmic recourse aims to provide actionable recommendations that enable individuals to change unfavorable model outcomes, and prior work has extensively studied properties such as efficiency, robustness, and fairness. However, the role of personalization in recourse remains largely implicit and underexplored. While existing approaches incorporate elements of personalization through user interactions, they typically lack an explicit definition of personalization and do not systematically analyze its downstream effects on other recourse desiderata. In this paper, we formalize personalization as individual actionability, characterized along two dimensions: hard constraints that specify which features are individually actionable, and soft, individualized constraints that capture preferences over action values and costs. We operationalize these dimensions within the causal algorithmic recourse framework, adopting a pre-hoc user-prompting approach in which individuals express preferences via rankings or scores prior to the generation of any recourse recommendation. Through extensive empirical evaluation, we investigate how personalization interacts with key recourse desiderata, including validity, cost, and plausibility. Our results highlight important trade-offs: individual actionability constraints, particularly hard ones, can substantially degrade the plausibility and validity of recourse recommendations across amortized and non-amortized approaches. Notably, we also find that incorporating individual actionability can reveal disparities in the cost and plausibility of recourse actions across socio-demographic groups. These findings underscore the need for principled definitions, careful operationalization, and rigorous evaluation of personalization in algorithmic recourse.
• Abstract（参考訳）: アルゴリズム的リコースは、個人が好ましくないモデルの結果を変えることができる行動可能なレコメンデーションを提供することを目的としており、以前の研究は効率性、堅牢性、公正性などの特性を幅広く研究してきた。 しかし、言論におけるパーソナライズの役割は、ほとんど暗黙的かつ未解明のままである。 既存のアプローチでは、ユーザインタラクションを通じてパーソナライズする要素が組み込まれているが、通常はパーソナライズの定義が明確でなく、他のレコースデシダータに対するダウンストリームの効果を体系的に分析しない。 本稿では,個々人格化を個人の行動可能性として定式化し,どの特徴が個別に行動可能かを指定する厳密な制約と,行動価値やコストよりも好みを捉えるソフトな個別化された制約の2つの側面に沿って特徴付ける。 我々はこれらの次元を因果的アルゴリズム・リコース・フレームワーク内で運用し、任意のリコース・レコメンデーションの生成に先立って、個人がランキングやスコアを通じて好みを表現できるような事前のユーザ・プロンプティング・アプローチを採用する。 実証的評価を通じて,パーソナライズとキー・レコース・デシダータがどう相互作用するかを検証し,妥当性,コスト,妥当性について検討した。 個人の行動可能性の制約、特に難しい制約は、償却された非償却されたアプローチにおけるレコメンデーションの妥当性と妥当性を著しく低下させます。 また、個別の行動可能性の導入は、社会デミノグラフィーグループ間の関係行動のコストと妥当性の相違を明らかにすることができる。 これらの知見は, 基本的定義の必要性, 注意深い運用, アルゴリズムによるパーソナライゼーションの厳密な評価を浮き彫りにした。

関連論文リスト

• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• Personalized Language Models via Privacy-Preserving Evolutionary Model Merging [53.97323896430374]
  言語モデルにおけるパーソナライゼーションは、個々のユーザやユーザグループに対する振る舞いをモデル化することを目的としている。 進化的アルゴリズム(PriME)によるプライバシ保護モデルマージを提案する。 PriMEは、プライバシーリスクを低減しつつ、ユーティリティを直接最適化するために、勾配のない方法を採用している。 LaMPベンチマークの実験によると、Primeは一貫してベースラインを上回り、タスクパフォーマンスを最大45%改善している。
  論文  参考訳（メタデータ） (2025-03-23T09:46:07Z)
• When Personalization Meets Reality: A Multi-Faceted Analysis of Personalized Preference Learning [39.22503425640312]
  ヒューマンフィードバックからの強化学習(Reinforcement Learning from Human Feedback, RLHF)は、一般的に、多様な人間の価値観や少数派視点を見越して、ユーザ間で均質な好みを仮定する。 本稿では,多面的評価フレームワークを提案する。このフレームワークは,性能だけでなく,不公平性,意図しない効果,適応性など,様々なレベルの嗜好のばらつきを計測する。 これらの知見は、より効果的で包括的な選好学習システムの開発を進めるための全体論的評価アプローチの批判的必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-26T14:14:58Z)
• 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)
• Personalized Pricing with Invalid Instrumental Variables: Identification, Estimation, and Policy Learning [5.372349090093469]
  本研究は,インストゥルメンタル変数アプローチを用いて,内在性の下でのオフラインパーソナライズド価格について検討する。 Invalid iNsTrumental変数を用いたパーソナライズされたプライシングのための新しいポリシー学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T14:50:47Z)
• Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
  機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。 本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。 APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-07-20T16:31:19Z)
• Statistical Learning for Individualized Asset Allocation [22.053470518472356]
  我々は,連続行動の効果をモデル化するための離散化手法を開発した。 一般化された凹凸ペナルティを用いた推定器は望ましい理論的特性を享受できることを示す。 その結果, 個人化された最適戦略は, 個人財政の健全性を向上し, ベンチマーク戦略を超越していることが示唆された。
  論文  参考訳（メタデータ） (2022-01-20T04:40:03Z)
• 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)

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。