論文の概要: Aggregating User Preferences while Ensuring Equity, Diversity, and Inclusion using Graph Summarization

• arxiv url: http://arxiv.org/abs/2610.07128v1
• Date: Mon, 05 Oct 2026 17:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.569971
• Title: Aggregating User Preferences while Ensuring Equity, Diversity, and Inclusion using Graph Summarization
• Title（参考訳）: グラフ要約を用いた等価性・多様性・包摂性を確保したユーザの嗜好の集約
• Abstract要約: AURORAは古典的な投票規則よりも最大かつ最も一貫性のある多様性を達成している。 Rate My Professorsでは、高い多様性と最高の女性アイテムの表現を組み合わせています。 OpenAlexでは、我々の手法は株式のギャップを減らさない。
• 参考スコア（独自算出の注目度）: 0.5729426778193398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aggregating the preferences of diverse user groups into a collective outcome raises fundamental challenges of equity, diversity, and inclusion (EDI): classical aggregation rules such as Borda and Condorcet have no mechanism to prevent results from systematically favoring majority groups, collapsing onto homogeneous items, or under-representing minorities. We address this problem through EDI-constrained graph summarization. User preferences are modeled as a weighted attributed bipartite graph, and a greedy coarsening algorithm iteratively merges user nodes while enforcing three structural EDI criteria: an equity gap constraint ($ΔE$), an intra-list diversity constraint (ILD), and a group inclusion constraint. Rather than correcting fairness after aggregation, our method embeds EDI preservation directly into the graph structure. We evaluate across five datasets spanning four domains: MovieLens 100k and 1M, libimseti.cz, Rate My Professors, and OpenAlex (2018-2023). Our method, AURORA, achieves the largest and most consistent diversity gains over classical voting rules, and on MovieLens 100k at $k = 20$ it simultaneously improves all three EDI criteria over both Borda and Condorcet. On Rate My Professors, it combines high diversity (ILD = 0.808) with the highest female item representation (60%), at a moderate equity cost, and it achieves the lowest equity gap ($ΔE = 0.031$) on OpenAlex, where Borda-based methods recommend zero female authors. On libimseti.cz, the only dataset where the sensitive attribute is present on both sides of the bipartite graph, our method does not reduce the equity gap, a limitation we connect to prior findings that demographic parity is not always an appropriate target. These results demonstrate that embedding EDI constraints into aggregation structure yields more robust fairness-diversity trade-offs than post-hoc approaches.
• Abstract（参考訳）: 多様なユーザグループの選好を集合的な結果に集約することで、株式、多様性、包摂性(EDI)の根本的な課題が生じる。 EDI制約グラフの要約によってこの問題に対処する。 ユーザの嗜好は、重み付けされた属性付き二部グラフとしてモデル化され、グリーディ粗大化アルゴリズムは、3つの構造的EDI基準(equire gap constraint(ΔE$)、リスト内多様性制約(ILD)、グループ包摂制約)を強制しながら、ユーザノードを反復的にマージする。 集約後の公平性を補正するのではなく,グラフ構造に直接EDI保存を埋め込む。 MovieLens 100k, 1M, libimseti.cz, Rate My Professors, OpenAlex (2018-2023。 AURORAは従来の投票規則よりも最大かつ一貫した多様性を達成し、MovieLens 100k at $k = 20$ではボルダとコンドルセットの3つのEDI基準を同時に改善する。 Rate My Professorsでは、高い多様性(ILD = 0.808)と最も高い女性アイテム表現(60%)を適度な株式価格で組み合わせ、OpenAlex上で最低の株式格差(ΔE = 0.031$)を達成する。 両部グラフの両側にセンシティブな属性が存在する唯一のデータセットlibimseti.czでは、我々の手法は均衡ギャップを減らさない。 これらの結果は、EDI制約を集約構造に埋め込むことにより、ポストホックアプローチよりも堅牢な公平性と多様性のトレードオフが得られることを示している。

関連論文リスト

• Are Diversity Metrics Measuring Diversity? A Capability-Controlled Audit of Majority-Vote Gain in LLM Ensembles [19.651323641444726]
  5つの多様性対策が、最良メンバーに対する多数票獲得の予測因子として、追跡しているか、あるいは主に再表現能力を示すのかを問う。 オラクルゲインはサブセットの100%で陽性であるが、単純な投票では全標準サイズ3サブセットの9.98%で最強の会員に勝っている。 独立した予測器としての厳密な多様性、不一致、ダブルフォールトは、建設によってランク不足する。
  論文  参考訳（メタデータ） (2026-07-22T22:34:57Z)
• APPA: Adaptive Preference Pluralistic Alignment for Fair Federated RLHF of LLMs [2.840505903487544]
  本稿では,歴史的アライメントの報酬に基づいてグループレベルの報酬を動的に重み付けする適応的選好多元的アライメントフレームワークAPPAを提案する。 当社のアプローチでは、適切な優先順位データにアクセスすることなく、適切に整列されたグループを分解することなく、整列したグループを優先順位付けする。
  論文  参考訳（メタデータ） (2026-04-05T20:48:36Z)
• Dependence-Aware Label Aggregation for LLM-as-a-Judge via Ising Models [55.94503936470247]
  大規模なAI評価は、審査員を含む、$K$アノテータからのバイナリ判断を集約することにますます依存している。 ほとんどの古典的なメソッドは、アノテータが条件的に独立であると仮定するが、真のラベルは$Yin0,1$であり、この仮定は LLM の審査員によってしばしば違反される。 我々はIsingグラフィカルモデルと潜在因子に基づく依存認識モデルの階層構造を通してラベルアグリゲーションを研究する。
  論文  参考訳（メタデータ） (2026-01-29T21:26:50Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Disincentivizing Polarization in Social Networks [10.758115514959593]
  本稿では,フィルタバブルを回避するコンテンツキュレーションとパーソナライゼーションのモデルを提案する。 推奨を最適化するためのアルゴリズム保証を提供する。 実世界の嗜好データを用いて、我々のモデルでは、利用者は小さなユーティリティ損失のみで多様化の重荷を共有していることを確認した。
  論文  参考訳（メタデータ） (2023-05-23T21:47:31Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Improving Semi-supervised Federated Learning by Reducing the Gradient Diversity of Models [67.66144604972052]
  Federated Learning(FL)は、ユーザのプライバシを維持しながらモバイルデバイスのコンピューティングパワーを使用する、有望な方法だ。 テスト精度に影響を与える重要な問題は、異なるユーザーからのモデルの勾配の多様性であることを示す。 本稿では,FedAvg平均化を代替するグループモデル平均化手法を提案する。
  論文  参考訳（メタデータ） (2020-08-26T03:36:07Z)

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。