Fugu-MT 論文翻訳(概要): What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems

論文の概要: What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems

arxiv url: http://arxiv.org/abs/2609.05759v1
Date: Fri, 04 Sep 2026 22:38:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-12 12:40:56.529486
Title: What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems
Title（参考訳）: プライスフェアネスとは何か? -リコメンダーシステムにおけるエネルギー - フェアネス - 正確性トレードオフの評価
Abstract要約: 提案するプロバイダ側の公正性は,測定可能なグリーンコストが伴うかどうかを評価する。発見者は、公正を意識した推奨を、正確性、公正性、計算コストの3つのトレードオフとして評価する必要がある。
参考スコア（独自算出の注目度）: 1.6877390079162282
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Fairness-aware recommender systems aim to mitigate systematic imbalances in recommendation outcomes, including how visibility, relevance, and opportunities are distributed among users, items, and providers. However, these systems are usually evaluated in terms of accuracy and fairness alone, while their computational and environmental costs remain largely invisible. This omission matters because fairness interventions may affect the cost of recommendation in different ways. Training-time methods modify model optimization, post-processing methods add computation at inference time, and both may depend on the model, dataset, hardware, and deployment setting. We examine whether provider-side fairness in recommendation comes with a measurable green cost. We compare in-processing, graph-level reweighting and post-processing interventions across multiple models, two datasets, and two hardware settings. We measure recommendation quality, provider-side exposure, and energy consumption separately across training and inference stages. Our results show that the green cost of fairness is not uniform, post-processing shifts cost to repeated serving, while in-processing and graph-level methods avoid re-ranking overhead but vary substantially across models, datasets, and hardware. Findings call for evaluating fairness-aware recommendation as a three-way trade-off between accuracy, fairness, and computational cost.
Abstract（参考訳）: 公正を意識したレコメンデータシステムは、ユーザ、アイテム、プロバイダ間での可視性、妥当性、機会の分散など、レコメンデーション結果の体系的不均衡を軽減することを目的としている。しかしながら、これらのシステムは通常、精度と公平性だけで評価されるが、計算と環境のコストはほとんど見えないままである。公平な介入が様々な方法で推奨のコストに影響を与える可能性があるため、この省略は問題となる。トレーニングタイムメソッドはモデルの最適化を変更し、後処理メソッドは推論時に計算を追加し、どちらもモデル、データセット、ハードウェア、デプロイメント設定に依存する可能性がある。提案するプロバイダ側の公正性には,測定可能なグリーンコストが伴うかどうかを検討する。私たちは、複数のモデル、2つのデータセット、2つのハードウェア設定で、インプロセス、グラフレベルのリウェイト、および後処理の介入を比較します。推奨品質,プロバイダ側露出,エネルギー消費を,トレーニング段階と推論段階に分けて測定する。結果から,公平性のグリーンコストは均一ではなく,処理後変更は繰り返しサービスに対するコストを低減し,内部処理やグラフレベルの手法ではオーバヘッドの再設定は避けるが,モデル,データセット,ハードウェア間で大きく異なることがわかった。発見者は、公正を意識した推奨を、正確性、公正性、計算コストの3つのトレードオフとして評価する必要がある。

関連論文リスト

Fair Classification with Efficient and Post-hoc Controllable Fairness-Accuracy Trade-off [4.060731229044571]
本稿では,処理後フェア分類器のトレードオフ効率を向上させるために,効率的な特徴表現を学習する新しいフェア分類アルゴリズムを提案する。実世界のデータセットを用いた実験結果から,本手法は再トレーニングを必要とせずに,処理方法に匹敵する,あるいは超越するトレードオフ効率を達成できることが示された。
論文参考訳（メタデータ） (2026-06-26T13:56:25Z)
Learning Fair Demand Models [2.317318456608172]
データによる価格設定は、航空会社、融資、保険、小売業などの分野でますます普及している。本研究では,販売者が線形需要モデル推定と価格最適化を含む2段階決定パイプラインを持つモデルについて検討する。消費者グループ間でのトレーニング損失の等化は複数のソリューションにつながり、結果として望ましくない結果がもたらされることを示す。
論文参考訳（メタデータ） (2026-06-05T02:12:07Z)
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)
The Unfairness of Multifactorial Bias in Recommendation [68.35079031029616]
人気バイアスと肯定バイアスは推薦システムにおいて顕著なバイアス源である。本研究では,多因子バイアスが項目側の公平性にどのように影響するかを検討する。我々は、多因子バイアスを軽減するために、パーセンタイルに基づく評価変換を前処理戦略として適用する。
論文参考訳（メタデータ） (2026-01-19T08:37:43Z)
Revisiting Pre-processing Group Fairness: A Modular Benchmarking Framework [3.035039100561926]
バイアスを軽減する方法は、前処理、内処理、後処理の3つのカテゴリに分類される。 FairPrepは、データセット上でフェアネスを意識した事前処理技術を評価するために設計されたベンチマークフレームワークである。
論文参考訳（メタデータ） (2025-08-21T03:04:30Z)
CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework [10.454880693923808]
本稿では,既存モデルにおける提供者と消費者の公正性を含む手法を開発する。実験により,再装飾項目における提供者公正度に対する線形スコアリングモデルが,性能と長期露光のバランスを最大化できることが示されている。
論文参考訳（メタデータ） (2024-06-05T09:57:58Z)
Achievable Fairness on Your Data With Utility Guarantees [16.78730663293352]
機械学習の公平性において、異なるセンシティブなグループ間の格差を最小限に抑えるトレーニングモデルは、しばしば精度を低下させる。本稿では,各データセットに適合する公平性-正確性トレードオフ曲線を近似する計算効率のよい手法を提案する。そこで我々は,モデルフェアネスを監査するための堅牢な枠組みを実践者に提供し,評価の不確実性を定量化する新しい手法を提案する。
論文参考訳（メタデータ） (2024-02-27T00:59:32Z)
A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文参考訳（メタデータ） (2023-06-01T07:08:22Z)
Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
論文参考訳（メタデータ） (2023-02-13T13:11:46Z)
The Efficiency Misnomer [50.69516433266469]
我々は、共通のコスト指標、それらの利点とデメリット、そしてそれらが相互に矛盾する方法について論じる。コストインジケータの不完全な報告が、どのようにして部分的な結論をもたらすかを示し、異なるモデルの実践的考察の曖昧さや不完全さを図示する。
論文参考訳（メタデータ） (2021-10-25T12:48:07Z)
Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning [68.25805655688876]
推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。 IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
論文参考訳（メタデータ） (2021-06-25T02:02:51Z)

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。