Jun, 2017

一种公平的 Top-k 排名算法 FA*IR

PDF
TL;DR本文定义并解决了公平的 Top-k 排名问题，算法可以在保证每个排名的前缀中所选的受保护候选人的比例在统计意义上始终高于或不可区分于给定最小值的情况下，从一大波的候选人中选取 k 个最合适的候选人，使得公平性和效用权衡紧密结合，对最大化效用和减少偏差有显著贡献。
fairnessrankingutilityprotected groupsbias
发现论文，激发创造
  • 采样始终群体公平的个体公平排序

    本研究提出了一种有效的算法，在保持个体公平的情况下，从一组项目中随机抽样出排名，以确保输出排名满足群体公平性限制，同时保证输出排名的期望效用至少是最优公平解的效用的 α 倍，进而实现在线平台的算法公平。

    Jun, 2023

  • 带有公平约束的排名

    本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

    Apr, 2017

  • 不确定性下的排名公平性

    认为不公平主要原因是不确定性，基于观察特征定义不完整，提出明确不确定性的近似公平，计算排名的最佳折衷，实验证明推荐系统在 KDD2020 实现了该方法。

    Jul, 2021

  • 最大最小公平排名：在群体公平约束下的个体公平

    针对排名中的公平性问题，我们提出一种基于分配式最小最大公平理论的算法，旨在通过随机化策略，尽可能地减少个体不公平带来的损失，并确保在满足给定群体公平性约束的同时，能够使尽可能多的个体获得最大的收益。

    Jun, 2021

  • iFair: 学习个体公平数据表示方法用于算法决策

    本文提出了一种基于概率映射用户记录的方法，用于实现算法决策应用的个体公平性和真实应用环境下的分类器和排名等工具的效用性，并通过应用于现实世界数据集的分类和学习排序任务的实验表明了其比之前最佳方法有显著改善。

    Jun, 2018

  • 动态学习排序的最大边际公平性

    提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。

    Feb, 2021

  • 为群体推荐列举公平套餐

    本文提出了一种对套餐进行有效枚举的方法，支持筛选查询，以解决团队推荐过程中不易衡量的公平性以及输出一个包裹的问题。

    May, 2021

  • 用户注意力对排名列表中公平群组表现的影响量化

    本文提出了一种用于审计排名列表中群体公平性的新度量，通过我们的度量方法，能够更好地解决人为因素对公平性评估的影响，同时考虑了用户的注意力模式以及对保护属性的支持，我们还利用度量方法对三个模拟案例进行了公平性审计。

    Jan, 2019

  • 排名公平性

    该研究提出了一种概念和计算框架，允许确定排名的公平性限制，并发展出高效的算法，以最大化用户效用且确保满足特定的公平概念。

    Feb, 2018

  • 面向搜索和推荐系统的公正排序技术及其在领英人才搜索中的应用

    该研究提出了一种评估和降低个人排名算法偏差的框架，旨在实现公平性标准，通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中，实现公平和商业指标的协调提高，有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。

    Apr, 2019