論文の概要: Scoring Is Not Enough: Addressing Gaps in Utility-fairness Trade-offs for Ranking

• arxiv url: http://arxiv.org/abs/2606.26369v1
• Date: Wed, 24 Jun 2026 20:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.080264
• Title: Scoring Is Not Enough: Addressing Gaps in Utility-fairness Trade-offs for Ranking
• Title（参考訳）: 失業率、対前年比で対前年同期比で下回る-「Scoring」
• Abstract要約: すべてのユーティリティーフェアネストレードオフを達成する上で、スコアリングが準最適であることを示します。 セミグレーディなポストプロセッシングが、はるかに優れたトレードオフを実現する可能性を実証的に示しています。
• 参考スコア（独自算出の注目度）: 7.560688419767115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scoring functions are used to represent the relevance of individual documents. In modern information retrieval or recommendation systems, they are often learned from data and play a pivotal role in ranking sets of documents or items in a way that maximizes utility to a query or user. With the recent interest in algorithmic fairness, the success of scoring has naturally led to methods that learn scores that simultaneously trade off fairness and utility. In this work, we show that in stark contrast with utility-centric objectives, scoring is sub-optimal in achieving all utility-fairness trade-offs. We establish this with a series of counter-examples with a generic fairness formulation. We show that the issue persists whether we have a deterministic scoring function or a randomized one, or whether we measure fairness at the scope of a single query or across multiple queries. On the positive side, we empirically demonstrate that semi-greedy post-processing has the potential to achieve much better trade-offs, often approaching the ideal of exhaustive post-processing in a tractable way.
• Abstract（参考訳）: Scoring関数は個々のドキュメントの関連性を表すために使われる。 現代の情報検索やレコメンデーションシステムでは、それらはデータから学習され、クエリやユーザに対する有用性を最大化する方法で、文書や項目のランク付けにおいて重要な役割を果たすことが多い。 近年、アルゴリズムの公正性への関心が高まり、スコアの成功は自然に、公正性と実用性を同時に交換するスコアを学ぶ方法につながった。 本研究では、ユーティリティ中心の目的とは対照的に、すべてのユーティリティフェアネストレードオフを達成する上で、スコアが最適ではないことを示す。 一般的なフェアネスの定式化を伴う一連の反例を用いてこれを確立する。 この問題は、決定論的スコアリング機能があるか、ランダム化機能があるか、あるいは単一のクエリの範囲で公正度を測定するか、あるいは複数のクエリにわたって測定するか、という問題に持続することを示す。 肯定的な面では、半グレーディな後処理がはるかに優れたトレードオフを実現する可能性を持っていることを実証的に示し、多くの場合、トラクタブルな方法で徹底的な後処理の理想に近づいている。

関連論文リスト

• What's in a Query: Polarity-Aware Distribution-Based Fair Ranking [15.602253525743798]
  ランキングにおける注意分布に基づく公正度に関する新しい尺度を提案する。 群フェアネスは個々のフェアネスによって上界であることが証明される。 償却公正ランキングの先行研究は、クエリに関する重要な情報を無視していることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T04:38:36Z)
• A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
  本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。 我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-16T18:43:43Z)
• Utility-Fairness Trade-Offs and How to Find Them [14.1278892335105]
  データ・スペースとラベル・スペースのトレードオフという2つのユーティリティ・フェアネスのトレードオフを紹介します。 本稿では,データサンプルから与えられた予測タスクとグループフェアネス定義のトレードオフを数値的に定量化する方法であるU-FaTEを提案する。 1000以上の事前訓練されたモデルからのフェア表現学習手法と表現の広範な評価により、現在のほとんどのアプローチは、推定され、達成可能なフェアネスユーティリティトレードオフからかけ離れていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-15T04:43:53Z)
• Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
  本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。 そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。 具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
  論文  参考訳（メタデータ） (2023-10-18T10:32:39Z)
• 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)
• Sampling Individually-Fair Rankings that are Always Group Fair [9.333939443470944]
  公正ランキングタスクは、グループフェアネスの制約を満たすために、実用性を最大化するために一連のアイテムをランク付けするよう要求する。 近年の研究では、品物の効用の不確かさが不公平の原因となっている。 我々は,各アウトプットランキングがグループフェアであることを保証しながら,個別のフェア分布からランキングを抽出する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-21T01:26:34Z)
• The Role of Relevance in Fair Ranking [1.5469452301122177]
  妥当性スコアは、公正な介入を導くために、望ましい基準のセットを満たすべきであると論じる。 次に、偏りのあるユーザクリックデータから推定される関連性のケーススタディにおいて、これらの基準がすべて満たされているわけではないことを実証的に示す。 分析と結果から,関連収集・生成への新たなアプローチの必要性が浮き彫りになっている。
  論文  参考訳（メタデータ） (2023-05-09T16:58:23Z)
• Estimation of Fair Ranking Metrics with Incomplete Judgments [70.37717864975387]
  本研究では,4つの評価指標のサンプリング手法と推定手法を提案する。 ラベル付きアイテムの数が極めて少ない場合でも動作可能な頑健で偏りのない推定器を定式化する。
  論文  参考訳（メタデータ） (2021-08-11T10:57:00Z)
• How Many Data Points is a Prompt Worth? [106.76346863035786]
  プロンプトの支持者は、タスク固有のガイダンスを注入する方法を提供すると主張している。 多くのタスクとデータサイズで、インセンティブとヘッドベースの微調整を等しく比較した。 その結果、プロンプトは分類タスク全体で平均100のデータポイントの価値があります。
  論文  参考訳（メタデータ） (2021-03-15T16:10:23Z)
• 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)
• Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
  暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。 このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。 厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
  論文  参考訳（メタデータ） (2020-05-29T17:57:56Z)

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。