論文の概要: Explaining Rankings with Hidden Group Bonuses

• arxiv url: http://arxiv.org/abs/2605.29444v1
• Date: Thu, 28 May 2026 06:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.858997
• Title: Explaining Rankings with Hidden Group Bonuses
• Title（参考訳）: 隠れたグループボーナスによるランキングの説明
• Authors: Alvin Hong Yao Yan, Suraj Shetiya, Sujoy Bhore, Priyanka Golia, Diptarka Chakraborty,
• Abstract要約: 本報告では,感性的特徴が観察されていないが,グループ固有の線形ブーストによる候補ランキングに影響を及ぼす可能性のあるランキング説明問題の変種について検討する。 われわれのアプローチは、この変種に最初に対処し、公正なランキングと入場システムにおける重要な現実世界の課題を捉えている。
• 参考スコア（独自算出の注目度）: 3.9010835272097952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining a linear utility function that correlates with observed candidate rankings is a foundational problem with applications in domains such as admissions, hiring, and recommendation systems, e.g., [Storandt and Funke, AAAI'19, Zhang et al., KDD'23, Wang et al., ICDE'24 (best paper award), Chen and Wong, VLDB'24]. Traditionally, these models assume full visibility into the feature sets used to determine the utility score. However, real-world scenarios often involve sensitive attributes that are hidden or partially observed, yet may influence outcomes through additive bonuses designed to promote fairness, as in [Gale and Marian, ICDE'24]. Motivated by such practical concerns, we study a variant of the ranking explanation problem where sensitive features are unobserved but may influence candidate rankings through group-specific linear boosts. We present a formal framework for modeling this problem and develop an algorithmic solution that leverages constraint satisfaction and automated reasoning techniques to jointly infer the linear scoring parameters and latent group bonuses consistent with the observed rankings. We further show that determining a satisfying linear function with group-specific bonuses is \textsf{NP}-hard in general, but when the feature dimension and the number of groups are constant, the problem admits a polynomial-time solution. Our approach is the first to address this nuanced variant, which captures key real-world challenges in fair ranking and admission systems. We perform extensive experiments on both real-world and synthetic datasets, demonstrating that our method effectively recovers hidden bonus structures and provides faithful explanations of observed ranking outcomes.
• Abstract（参考訳）: 観測された候補ランキングと相関する線形ユーティリティ関数の決定は、例えば [Storandt and Funke, AAAI'19, Zhang et al , KDD'23, Wang et al , ICDE'24 (best paper award), Chen and Wong, VLDB'24] のようなドメインにおけるアプリケーションの基本的問題である。 伝統的に、これらのモデルはユーティリティスコアを決定するのに使用される機能セットをフルに可視化する。 しかしながら、現実世界のシナリオは、しばしば隠されたり部分的に観察されたりする機密属性を含むが、[Gale and Marian, ICDE'24]のように、公平性を促進するために設計された付加的なボーナスによって結果に影響を与える可能性がある。 このような実践的な懸念から、センシティブな特徴が観測されないが、グループ固有の線形ブーストによる候補ランクに影響を及ぼす可能性のあるランキング説明問題の変種について検討する。 本稿では,この問題をモデル化するための公式な枠組みを提案し,制約満足度と自動推論技術を活用して線形スコアリングパラメータと潜在群ボーナスを共同で推定するアルゴリズムソリューションを開発した。 さらに、群固有のボーナスで満足な線型関数を決定することは、一般には \textsf{NP}-hardであるが、特徴次元と群数が定数である場合、多項式時間解が成立する。 我々のアプローチは、公正なランキングと入場システムにおける重要な現実世界の課題を捉えた、このニュアンスのある変種に最初に対処するものである。 実世界のデータセットと合成データセットの両方について広範囲にわたる実験を行い、本手法が隠されたボーナス構造を効果的に復元し、観測結果の忠実な説明を提供することを示した。

関連論文リスト

• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Fairness-aware Bayes optimal functional classification [7.252020628689346]
  アルゴリズムの公正さは機械学習における中心的なトピックとなっている。 フェアネス制約下での関数データの分類について検討する。 フェアネスを考慮した機能分類のための統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-14T15:22:09Z)
• Rank Aggregation in Crowdsourcing for Listwise Annotations [37.0231203825557]
  クラウドソーシングにおけるリストワイド・アグリゲーション手法を提案する。 本設計では,特にアノテーションの品質指標を用いて,注釈付きランクと真のランクとの差を計測する。 また,アノテータの性能に直接影響を与えるため,ランキング問題自体の難しさも考慮に入れている。
  論文  参考訳（メタデータ） (2024-10-10T02:13:21Z)
• Distribution-Informed Adaptation for kNN Graph Construction [11.63039933401604]
  本稿では,適応kNNと分散対応グラフの構成を組み合わせた分散インフォームド適応kNNグラフ(DaNNG)を提案する。 DaNNGはあいまいなサンプルの性能を大幅に改善し、全体的な精度と一般化能力を向上させる。
  論文  参考訳（メタデータ） (2023-08-04T16:14:43Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• Explainable Disparity Compensation for Efficient Fair Ranking [0.3759936323189418]
  意思決定システムで使用されるランク付け関数は、基礎となるデータに偏りがあるため、異なる集団に対して異なる結果をもたらすことが多い。 最近の補償策は主に、公正性を保証するためにランク関数の不透明な変換に焦点を当てている。 本稿では,ランキング関数に対するデータ駆動型補償法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T09:12:50Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Feature Alignment and Restoration for Domain Generalization and Adaptation [93.39253443415392]
  クロスドメイン機能アライメントは、ドメイン不変表現を学ぶために、異なるドメインの特徴分布を抽出するために広く研究されてきた。 本稿では,FAR(Feature Alignment and Restoration)と呼ばれる統合フレームワークを提案する。 複数の分類ベンチマークの実験は、ドメインの一般化と教師なしドメインの適応の両方のためのFARフレームワークの性能と強力な一般化を実証している。
  論文  参考訳（メタデータ） (2020-06-22T05:08:13Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。