論文の概要: Personalized Recommendations Without Inducing Congestion: Mitigating Disparities in the NYC High School Match
- arxiv url: http://arxiv.org/abs/2610.08275v1
- Date: Tue, 06 Oct 2026 12:47:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.986416
- Title: Personalized Recommendations Without Inducing Congestion: Mitigating Disparities in the NYC High School Match
- Title（参考訳）: 混雑を誘発しないパーソナライズドレコメンデーション--ニューヨーク高校マッチにおける格差の緩和
- Abstract要約: プログラム受入率の急激な低下は,ナイーブなレコメンデーションが引き起こされる可能性があることを示す。
提案手法は,2段階最適化・シミュレーション手法を用いて提案手法の提案と理論的解析を行う。
- 参考スコア（独自算出の注目度）: 5.679365821957859
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithmic recommendations can help participants navigate large matching markets. For example, recommendations for school and college choices may reduce information frictions and disparities in access to high-performing programs. At scale, however, recommenders in capacity-constrained settings can be self-defeating: if they steer too many users toward the same items, then even users who were originally predicted to have a high chance of matching to an item may not, due to increased competition. In this paper, we formalize this phenomenon of recommendation-induced congestion; motivated by the NYC high school match, we show that naive recommendations can cause sharp decreases in program acceptance rates, most affecting applicants with the fewest nearby options. Next, we propose and theoretically analyze a congestion-aware, bilevel optimize-and-simulate approach to allocate recommendations and improve match outcomes safely, in equilibrium. Finally, we deploy this approach in the 2025-26 admissions cycle of the NYC high school match, aiming to reduce disparities by highlighting personalized lists of nearby, high-performing programs where an applicant has a high predicted offer likelihood. In a randomized controlled trial, we find that 16.4% of treatment applicants ranked a recommended program, versus 10.5% of control applicants who ranked a program they would have been recommended (57% relative increase; $p$=0.011); 5.6% of treatment applicants matched to such a program, versus 3.3% of control applicants (71% relative increase; $p$=0.071); further, no treatment applicant was rejected from a recommended program. Our findings suggest that recommenders should be analyzed and designed as market-shaping interventions.
- Abstract（参考訳）: アルゴリズムレコメンデーションは、参加者が大きなマッチング市場をナビゲートするのに役立ちます。
例えば、学校や大学の選択に対する勧告は、ハイパフォーマンスプログラムへのアクセスにおける情報摩擦や格差を減らす可能性がある。
しかし、規模によっては、容量制限された設定のレコメンデーターは自給自足し、同じアイテムに向かってあまりに多くのユーザーを操れば、当初、アイテムにマッチする確率が高いと予測されていたユーザーでさえ、競争の激しさのためにそうでない可能性がある。
本稿では,ニューヨーク高校の試合をきっかけに,この推薦による混雑現象を定式化した上で,示唆的な勧告がプログラム受入率の急激な低下を招き,最も近くの選択肢が最も少ない応募者に影響を与えることを示す。
次に,2段階最適化・シミュレーション手法の提案と理論的解析を行った。
最後に,ニューヨーク高校の試合の2025-26年の入会サイクルにおいて,応募者が高い確率で提案できる,近隣のハイパフォーマンスプログラムのパーソナライズされたリストを強調することにより,格差の低減を図る。
ランダム化対照試験では、16.4%の患者が推奨プログラムにランク付けし、10.5%が推奨プログラムにランク付けし(57%の相対的増加、$p$=0.011)、5.6%がそのプログラムにマッチし、さらに3.3%が対照申請者(71%の相対的増加、$p$=0.071)、さらに、推奨プログラムから除外された。
市場形成の介入としてレコメンデーターを分析・設計することが示唆された。
関連論文リスト
- A Hybrid Machine Learning Approach for Graduate Admission Prediction and Combined University-Program Recommendation [0.0]
本研究は,大学入学予測のためのハイブリッド機械学習フレームワークの必要性を強調し,高品質な類似の応募者と推薦システムに焦点を当てた。
データセットには、2021年から2025年までの13,000の自己レポートされたGradCafeアプリケーションが含まれている。
XGBoostと残留精製k-アネレスト隣接モジュールを組み合わせたハイブリッドモデルが開発され,テストセットの精度が87%向上した。
論文 参考訳（メタデータ） (2026-02-09T17:25:42Z) - Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。
次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。
ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文 参考訳（メタデータ） (2025-09-29T12:15:52Z) - Unintentional Unalignment: Likelihood Displacement in Direct Preference Optimization [60.176008034221404]
直接選好最適化(DPO)とその変種は、言語モデルと人間の選好の整合にますます利用されている。
以前の研究では、トレーニング中に好まれる反応の可能性が減少する傾向が見られた。
確率変位は破滅的になりうることを示し、確率質量を好ましくない反応から反対の意味の反応へとシフトさせる。
論文 参考訳（メタデータ） (2024-10-11T14:22:44Z) - A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
選好選好における選好バイアスの影響について検討した。
大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。
本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
論文 参考訳（メタデータ） (2024-05-01T14:56:56Z) - Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal [5.044100238869374]
53,000人以上の大学生を対象に,大規模フィールド実験におけるターゲットの価値を分析した。
低ベースライン結果に基づくターゲティングが最も有効であることを示す。
論文 参考訳（メタデータ） (2023-10-12T19:08:45Z) - Unbiased Learning for the Causal Effect of Recommendation [8.849159720632612]
本稿では,推薦の因果効果に対する非バイアス学習フレームワークを提案する。
ランキング尺度の因果効果拡張のための非バイアス学習法を開発した。
論文 参考訳（メタデータ） (2020-08-11T07:30:44Z) - Intersectional Affirmative Action Policies for Top-k Candidates
Selection [3.4961413413444817]
本研究では,トップk候補を応募者のプールから選抜する問題について検討する。
我々は,一部の候補者が歴史的かつ現在の不利を経験している状況を考える。
そこで本研究では,OECD国における学力評価と学士号取得のデータセットを用いて,この問題を解き,解析し,評価する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:27:18Z) - 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。