设计公平的排名方案
为应对个人受保护属性标签稀缺的大规模系统,本研究提出了采样策略和评估技术以对四种公平排名度量进行测量,并形成一个强大而无偏的估算器。实验结果证明了该方法的可行性和可靠性。
Aug, 2021
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
本文针对在线市场中排名的公平问题,提出了一种令所有商品都不会嫉妒和劣于其他商品的轮廓分配方式,并通过实证研究说明了这种分配方式控制了单个商品公平性与用户效用之间的权衡。
Jun, 2022
本文对过去几年来有关将公平性要求纳入算法排名器的工作进行了系统概述,提供了跨学科的算法形式化和方法连接的广阔视角,并针对公平性增强干预分类架构描述了四个分类框架,并讨论了公平排序评估数据集和技术工作。我们还讨论了公平分数排序和公平学习排序的评估框架,并得出了有关公平排名方法评估的一系列建议。
Mar, 2021
我们提出了一种用于后处理排名的随机方法,不需要受保护属性的可用性,通过广泛的数值研究,我们展示了我们的方法在 P-Fairness 和与基线排名的标准化折现累积增益 (NDCG) 方面的稳健性和有效性,并改进了之前提出的方法。
Mar, 2024
本文旨在介绍确保排名和推荐中的公平性所使用的定义、模型和方法的工具包,提供有关这一新颖、迅速发展和有影响力的领域的坚实框架,将相关方法并置并强调未来工作的开放挑战和研究路径。
Apr, 2021
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
本文通过研究 subset selection 问题中的系统性和无意识偏见,探讨了在加入公平性约束条件下如何提高选择结果的质量,发现这与使用 multiwinner 得分函数的方式有很大关系,有些函数只需要少量排名即可达到近似最佳解,而对于其他函数却需要大量排名进行修正,并提供了工具进行实证验证。
Jun, 2023