論文の概要: A fairness-aware extension of Stochastic Multicriteria Acceptability Analysis for ranking

• arxiv url: http://arxiv.org/abs/2606.17756v1
• Date: Tue, 16 Jun 2026 10:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.387948
• Title: A fairness-aware extension of Stochastic Multicriteria Acceptability Analysis for ranking
• Title（参考訳）: 確率的マルチクリプタリアアクセプタビリティ分析の公正性を考慮したランク付けのための拡張
• Authors: Guilherme Dean Pelegrina, Renata Pelissari,
• Abstract要約: 本稿では、ランキング問題に対するSMAAの公平性を考慮した拡張であるSMAA-Fairを提案する。 フレームワークはアグリゲーションモデルとは独立しており、さまざまなフェアネスメトリクスを組み込むことができる。 合成および実データを用いた数値実験により、SMAA-Fairは好適なランク位置における保護されたグループの表現を改善することが示された。
• 参考スコア（独自算出の注目度）: 5.32836690371986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fairness has become a central concern in ranking problems involving individuals or social groups, particularly under the Responsible Artificial Intelligence agenda. In Multi-Criteria Decision Analysis, Stochastic Multicriteria Acceptability Analysis (SMAA) provides a robust framework for handling uncertainty and incomplete preference information, but it does not explicitly address fairness in the resulting rankings. This paper proposes SMAA-Fair, a fairness-aware extension of SMAA for ranking problems. The approach reweights the simulated rankings generated by SMAA according to their level of group fairness, so that fairer rankings contribute more strongly to the acceptability indices and central weights vector. The framework is independent of the aggregation model and can incorporate different fairness metrics. In this study, Statistical Parity, normalized discounted Kullback--Leibler divergence (rKL) and normalized discounted cumulative Kullback--Leibler divergence (nDKL) are adopted. Rankings are derived from the fairness-adjusted acceptability matrix using expected ranking and maximum acceptability ranking. We also derive the central weight according to the degree of fairness in the obtained rankings. Numerical experiments with synthetic and real data show that SMAA-Fair improves the representation of protected groups among favourable ranking positions, while preserving robustness to preference uncertainty.
• Abstract（参考訳）: 公正性は、特に責任ある人工知能の議題の下で、個人や社会グループに関わる問題のランク付けにおいて中心的な関心事となっている。 Multi-Criteria Decision Analysisにおいて、Stochastic Multicriteria Acceptability Analysis (SMAA)は不確実性と不完全な選好情報を扱うための堅牢なフレームワークを提供するが、結果として得られるランクの公平性に明示的に対処するものではない。 本稿では、ランキング問題に対するSMAAの公平性を考慮した拡張であるSMAA-Fairを提案する。 このアプローチは、SMAAが生成したシミュレーションされたランクをグループフェアネスのレベルに応じて再重み付けするので、より公平なランクは、受容可能性指標と中央重みベクトルに強く寄与する。 フレームワークはアグリゲーションモデルとは独立しており、さまざまなフェアネスメトリクスを組み込むことができる。 本研究では, 統計パリティ, 正規化割引Kulback-Leibler divergence (rKL) および正規化割引Kulback-Leibler divergence (nDKL) を採用する。 ランク付けは、期待されるランク付けと最大アクセプタビリティランキングを用いたフェアネス調整されたアクセプタビリティ行列から導かれる。 また、得られたランクの公平度に応じて中央の重みを導出する。 合成および実データを用いた数値実験により、SMAA-Fairは、好適なランク位置における保護されたグループの表現を改善しつつ、好ましくは不確実性を保っていることが示された。

関連論文リスト

• Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
  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。
  論文  参考訳（メタデータ） (2026-05-02T16:32:52Z)
• The Attention Market: Interpreting Online Fair Re-ranking as Manifold Optimization under Walrasian Equilibrium [63.76805218520176]
  我々は、Walrasian Equilibriumが管理する注目市場枠組みの中で、公正な順位を再設定する。 オンラインフェアリグレードアルゴリズムであるManifoldRankを提案する。
  論文  参考訳（メタデータ） (2026-04-28T12:43:57Z)
• Prompt-Dependent Ranking of Large Language Models with Uncertainty Quantification [9.99813918008511]
  我々は、ペアワイズな人選好の下で、プロンプト依存のランキング推定について検討する。 我々は統計的に妥当な不確実性保証を有する意思決定安全ランキングの枠組みを開発する。
  論文  参考訳（メタデータ） (2026-02-11T18:16:24Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Quantifying Query Fairness Under Unawareness [82.33181164973365]
  本稿では,二項分類を超えた複数の機密属性を効果的に処理する定量化に基づく頑健な公正度推定手法を提案する。 提案手法は, 様々な属性にまたがる既存のベースラインよりも優れており, 未知の公正度を測定するための信頼性の高いプロトコルを最初に確立した。
  論文  参考訳（メタデータ） (2025-06-04T16:31:44Z)
• Stability and Multigroup Fairness in Ranking with Uncertain Predictions [61.76378420347408]
  我々の研究はランキング関数について考察している。分類タスクの個々の予測からランキング上の分布へのマップ。 ランキング関数の2つの側面、すなわち予測における摂動に対する安定性と、個人とサブグループの両方に対する公正性に焦点を当てる。 我々の研究は、不確実性に敏感なランキングが、グループと個人レベルの公正性の保証とを自然に補間していることを示している。
  論文  参考訳（メタデータ） (2024-02-14T17:17:05Z)
• Fairness in Ranking under Disparate Uncertainty [24.401219403555814]
  我々は、基礎となる関連モデルの不確実性がオプション群間で異なる場合、ランク付けは不公平をもたらす可能性があると論じる。 ランク付けのための新しい公正基準として平等ランク付け(EOR)を提案する。 異なる不確実性が存在する場合でも、EORは関連する選択肢の中でグループワイドフェア・宝くじに対応していることを示す。
  論文  参考訳（メタデータ） (2023-09-04T13:49:48Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。