論文の概要: Aligning Performance with Contribution: Towards Contribution-Aware Fair Recommendation

• arxiv url: http://arxiv.org/abs/2610.08245v1
• Date: Tue, 06 Oct 2026 12:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.980086
• Title: Aligning Performance with Contribution: Towards Contribution-Aware Fair Recommendation
• Title（参考訳）: コントリビューションによるパフォーマンスのアライメント:コントリビューション・アウェア・フェア・レコメンデーションに向けて
• Abstract要約: 公正なシステムでは,ユーザのコントリビューション推定とレコメンデーションパフォーマンスの整合性を考慮することができる,と我々は主張する。 この視点をインスタンス化するために、CPFR(Contribution-Performance Fair Recommender)を紹介する。
• 参考スコア（独自算出の注目度）: 7.4379457443146855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing research on user fairness in recommender systems has developed diverse objectives. However, it has paid limited attention to a distinct distributive perspective: whether users' contributions to model learning should be reflected in the recommendation benefits they receive. We argue that, in addition to existing fairness protections, a fair system may account for the alignment between users' estimated contributions and the recommendation performance they receive. Such alignment can incentivize sustained and informative engagement, thereby supporting a sustainable recommendation ecosystem. To this end, we propose Contribution-Performance Fairness, a novel fairness perspective which requires recommendation performance to be aligned with estimated contribution across user groups and to remain equitable among users with comparable contributions within a same group. To instantiate this perspective, we introduce the Contribution-Performance Fair Recommender (CPFR), a framework applicable to different backbone recommenders. CPFR constructs ordered user groups from a training-dependent contribution considering interaction volume, loss alignment, and optimization intensity, and jointly optimizes recommendation accuracy with the two fairness requirements. A game-theoretic analysis shows that such alignment can strengthen contribution incentives and improve system-level recommendation accuracy under voluntary contribution. Experiments on three datasets and three backbone models demonstrate that CPFR achieves a strong accuracy--fairness trade-off under the proposed operational metric.
• Abstract（参考訳）: 推薦システムにおけるユーザフェアネスに関する既存の研究は、様々な目的を開拓してきた。 しかし、モデル学習へのユーザの貢献が、彼らが受ける推奨利益に反映されるべきかどうかという、明確な分配的な視点に限定的に注意を払っている。 既存の公正性保護に加えて、公正なシステムでは、ユーザの期待された貢献と、受け取ったレコメンデーションパフォーマンスの整合性を考慮することができる、と我々は主張する。 このようなアライメントは、持続的で情報的なエンゲージメントを動機付け、持続可能なレコメンデーションエコシステムをサポートする。 そこで本稿では,ユーザグループ間のコントリビューションを推定し,同一グループ内のコントリビューションに匹敵するコントリビューションを持つユーザに対して,コントリビューション・パフォーマンス・フェアネス(Contribution-Performance Fairness)という,新たなフェアネス・パースペクティブを提案する。 この観点から、異なるバックボーンレコメンデータに適用可能なフレームワークであるCPFR(Contribution-Performance Fair Recommender)を導入する。 CPFRは、相互作用量、損失アライメント、最適化強度を考慮して、トレーニング依存のコントリビューションから順序付きユーザグループを構築し、2つのフェアネス要件と共同で推奨精度を最適化する。 ゲーム理論分析により、このようなアライメントは、自発的な貢献の下で、寄付インセンティブを強化し、システムレベルのレコメンデーション精度を向上させることができることが示された。 3つのデータセットと3つのバックボーンモデルの実験により、CPFRは、提案された運用基準の下で強い精度-フェアネストレードオフを達成することが示された。

関連論文リスト

• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• 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)
• Experiments on Generalizability of User-Oriented Fairness in Recommender Systems [2.0932879442844476]
  公正を意識した推薦システムは、異なるユーザーグループを同様に扱うことを目的としている。 本稿では,ユーザ中心の公平度を再評価するフレームワークを提案する。 我々は、ユーザ(NDCGなど)とアイテム(新規性、アイテムフェアネスなど)の両方から、フレームワークの再ランク付けによる最終的なレコメンデーションを評価する。
  論文  参考訳（メタデータ） (2022-05-17T12:36:30Z)
• 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)
• Towards Personalized Fairness based on Causal Notion [18.5897206797918]
  本稿では,逆学習による対実的公正なレコメンデーションを実現するための枠組みを提案する。 提案手法は,推奨性能の高いユーザに対して,より公平なレコメンデーションを生成できる。
  論文  参考訳（メタデータ） (2021-05-20T15:24:34Z)
• Achieving User-Side Fairness in Contextual Bandits [17.947543703195738]
  パーソナライズされたレコメンデーションにおけるユーザ側の公平性を実現する方法について検討する。 我々は、適切なパーソナライズされたレコメンデーションを、修正された文脈的盗賊として定式化する。 本研究では,従来のLinUCBアルゴリズムを改良したFair-LinUCBを提案する。
  論文  参考訳（メタデータ） (2020-10-22T22:58:25Z)
• "And the Winner Is...": Dynamic Lotteries for Multi-group Fairness-Aware Recommendation [37.35485045640196]
  我々は、以前の文献は単純で一様であり、フェアネスの仮定の単次元の概念に基づいていたと論じる。 私たちは、多元的定義と交差する保護されたグループ間の正確性と公平性の間のトレードオフに参入する設計上の決定を明確に表現します。 公正な関心事を選択するための宝くじに基づくメカニズムを定式化し、その性能を2つの推奨領域で実証する。
  論文  参考訳（メタデータ） (2020-09-05T20:15:14Z)
• DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
  レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。 本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-09T13:39:38Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)

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。