論文の概要: Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment

• arxiv url: http://arxiv.org/abs/2605.01524v1
• Date: Sat, 02 May 2026 16:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.818939
• Title: Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment
• Title（参考訳）: 階層的露光アライメントによるポストホックプロバイダのフェアネス適応
• Authors: Jingzhi Li, Zhiyong Cheng, Richang Hong, Meng Wang,
• Abstract要約: ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。 ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。 PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 54.58748721533078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Provider exposure fairness is crucial for sustaining a healthy content ecosystem and preventing monopolization in recommender systems. Yet, most existing methods either incorporate fairness constraints during model training, requiring expensive retraining when fairness objectives change, or rely on post-hoc reranking with fixed criteria, which lacks adaptability to diverse fairness requirements. To overcome these limitations, we propose Post-hoc Fairness Adaptation (PFA), a lightweight framework that equips a frozen recommender with a fairness adapter, enabling flexible fairness control without retraining the backbone model. Specifically, the fairness adapter learns personalized additive score adjustments from user-item embeddings, which are injected into the original ranking scores to steer provider exposure toward fairness. To train the adapter, we minimize the KL divergence between the actual and the target fair exposure distributions. However, this global objective implicitly treats all providers equally, ignoring structural disparities such as imbalanced provider group sizes and heterogeneous exposure within groups. Consequently, fairness may appear satisfied at an aggregate level while severe inter-group and intra-group exposure imbalances persist, undermining practical fairness. To address this, we design Hierarchical Exposure Fairness Alignment (HEFA), which explicitly balances inter- and intra-group provider exposure disparities, enabling flexible adaptation to diverse fairness requirements. To mitigate potential accuracy degradation, PFA jointly optimizes HEFA with a differentiable NDCG loss, enabling end-to-end fairness optimization while preserving ranking quality. Extensive experiments on three public datasets demonstrate that PFA achieves substantial fairness gains with negligible accuracy loss, consistently outperforming strong baselines.
• Abstract（参考訳）: プロバイダの露出公正性は、健全なコンテンツエコシステムを維持し、レコメンダシステムにおける独占を防止するために不可欠である。 しかし、既存のほとんどのメソッドは、モデルトレーニング中にフェアネスの制約を取り入れ、フェアネスの目標が変わったときに高価なリトレーニングを必要とするか、あるいは様々なフェアネスの要件への適応性に欠ける固定された基準でポストホックのリランクに依存するかのいずれかである。 これらの制約を克服するために,冷凍レコメンデータにフェアネスアダプタを装備する軽量なフレームワークであるポストホックフェアネス適応(PFA)を提案し,バックボーンモデルを再トレーニングすることなくフレキシブルフェアネス制御を実現する。 特に、フェアネスアダプタは、ユーザ-イム埋め込みからパーソナライズされた加算点調整を学習し、元のランキングスコアに注入して、フェアネスに対するプロバイダの露出を操縦する。 アダプタを訓練するためには,実物と対象物とのKLのばらつきを最小限に抑える。 しかしながら、このグローバルな目的は、不均衡なプロバイダグループのサイズやグループ内の不均一な露出といった構造的格差を無視して、すべてのプロバイダを均等に扱う。 その結果, 集団間およびグループ内暴露の不均衡は持続し, 実質的公正性を損なう。 これを解決するために階層的露出公正調整(HEFA:hierarchical Exposure Fairness Alignment)を設計し、グループ間およびグループ間露光格差を明確にバランスさせ、多様な公正要件への柔軟な適応を可能にする。 潜在的な精度低下を軽減するため、PFAはHEFAを差別化可能なNDCG損失で共同最適化し、ランキング品質を維持しつつエンドツーエンドの公平性を最適化する。 3つの公開データセットに対する大規模な実験は、PFAが無視できる精度の損失でかなりの公正性を得ることを示した。

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)
• Post-Training Fairness Control: A Single-Train Framework for Dynamic Fairness in Recommendation [13.743015531030473]
  Cofairはシングルトレインのフレームワークで、トレーニング後のフェアネスコントロールを推奨できる。 我々のフレームワークは様々なレベルで動的公正を提供し、最先端のベースラインよりも同等または優れた公正度精度曲線を提供する。
  論文  参考訳（メタデータ） (2026-01-28T18:48:43Z)
• FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning [23.38141950440522]
  我々はFedFACTという制御可能なグループフェアネス校正フレームワークを提案する。 FedFACTは、大域的および局所的公正性の制約の下でベイズ最適分類器を識別する。 我々は,FedFACTが精度とグローバル・ローカル・フェアネスのバランスをとる上で,ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-04T09:39:57Z)
• pFedFair: Towards Optimal Group Fairness-Accuracy Trade-off in Heterogeneous Federated Learning [17.879602968559198]
  フェデレートされた学習アルゴリズムは、クライアントの集合データに基づいてモデルをトレーニングすることで、クライアントの精度を最大化することを目的としている。 群フェアネス制約は、FL最適化問題の目的関数に組み込むことができる。 このような手法により、不均一なクライアント分布を持つFL設定において、最適な分類精度が得られることを示す。
  論文  参考訳（メタデータ） (2025-03-19T06:15:31Z)
• FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning [48.38344934125999]
  提案手法は,高品質なデータ拡張を実現し,コメンデーションフェアネスを改善する方法である。 具体的には,動的グラフ対逆学習フレームワークであるFairDgclを提案する。 FairDgclは、公正さと精度の両方を持つ拡張表現を同時に生成できることを示す。
  論文  参考訳（メタデータ） (2024-10-23T04:43:03Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)

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。