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
提出了一个基于软界限的多样化委员会选择的实用多项式时间算法。
Mar, 2018
本研究提出了一种基于多种伦理概念(如公平性、多样性和包容性)的度量方法,以解决子集选择问题,并给出了人类实验结果支持该方法。同时,社会选择方法可以用于聚合和选择首选集合。
Feb, 2020
本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法,并通过实验证明其在这三个方面的有效性和权衡。
Oct, 2020
本研究使用影响函数(influence function)的概念研究了在实例级别强制公平约束时,训练示例的影响,提出了一种公平性影响函数。通过排名它们的影响分数,确定可能导致模型歧视的可疑培训示例,进行了大量实验并得出结论,仅在重要数据示例的子集上训练可以在准确性与公平性之间进行权衡。
Jun, 2022
本文探讨了公平聚类中两种最广泛的人口统计学表示公平概念,并表明了通过近似算法可实现同时满足两个约束条件的恒定近似解。此外,GF 和 DS 与其他基于距离的公平概念不兼容,并进行实验以验证理论发现。
May, 2023
本文提出一个数学模型以创造具有代表性的数据来解决机器学习模型在非代表性数据集上产生的问题。我们将数据集创建问题形式化为一个约束优化问题,并提出了一种灵活的方法,它包含模型构建者和其他利益相关者的偏好,以及学习任务的统计特性。此外,我们证明,在一定条件下,即使没有关于学习率的先前知识,该优化问题也可以高效地求解。通过在合成基因组数据上进行的模拟研究,我们发现我们提出的自适应采样策略优于多种常用的数据收集启发式算法,包括等量和比例采样,并证明了通过策略数据集设计构建公平模型的价值。
Jan, 2022
本文研究了在智能决策系统中公平性的一个重大问题,即如何在决策过程中考虑人口的长期影响。我们提出了一个简单却深入的模型,它将考虑到人员选择以及政策对群体资格的影响力,重点研究肯定行动的形式主义。我们的研究明确了这个制约政策对于旨在实现平衡的肯定行动而言的成果,它是对智能决策系统中不断变化着的影响因素与公平性之间关系的重要探究。
Dec, 2018
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
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