Nov, 2019

公平且无偏的排名函数的策略梯度训练

PDF
TL;DR本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。
implicit feedbacklearning to rankfairnesscounterfactual estimatorspresentation bias
发现论文，激发创造
  • 排名公平性的政策学习

    本文提出了一种利用随机排序策略来进行公平学习及考虑排序项影响的通用 LTR 框架，并通过基于政策梯度方法的 Fair-PG-Rank 算法进行优化，可在保持曝光公平性的情况下优化各种效用指标。通过实验结果验证了此方法在个人和集体公平性方面的有效性。

    Feb, 2019

  • 控制动态学习排序中的公平和偏见

    该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。

    May, 2020

  • 具有偏差反馈的无偏学习排序

    通过对因果推断框架的提出，使用倾向权重排序支持向量机从隐式反馈学习，消除了数据偏差问题，取得了更好的结果。

    Aug, 2016

  • 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

  • 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

  • 推荐系统中基于策略代理的公平暴露优化进行成效去偏差

    在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

    Jun, 2024

  • 基于不完全曝光估计的曝光公平性

    本文讨论了在存在相互依赖的情况下，如何处理公正曝光问题，并提出了一种名为 FELIX 的方法来避免在不影响用户效用或商品公平性的情况下向用户展示具有未知曝光分布的排名，并扩展了公正曝光的研究到 top-k 设置中。实验表明，与现有的公正评级方法相比，FELIX 能够显著减少具有未知曝光分布的排名的数量，而不影响用户效用或公平性。

    May, 2022

  • 面向前 k 名排名的策略感知无偏学习排序

    本文介绍的计数事实学习 (LTR) 方法，使用包含交互偏差的已记录的用户交互来优化排名系统，通过引入一种新的策略感知的计数事实估计器，该方法可以适应随机记录策略的影响。同时，本文中还提出了一些传统 LTR 方法的新扩展方法，用于执行计数事实 LTR 并优化 top-k 评估指标，这些贡献介绍了首个可以应用于搜索和推荐中的非偏置 LTR 方法。

    May, 2020

  • 基于组公平的 Plackett-Luce 排名模型的相关性和事后公平优化

    在学习排序（LTR）中，为了确保排名结果的后验公平性，提出了一种新的目标函数，通过性能约束来最大化预期相关性。该方法在 LTR 框架中构建了一个组内公平的 Plackett-Luce 模型，并展示了在三个真实数据集上的实验证明了其相比 LTR 基线模型在相关性方面具有更好的公平性和性能。

    Aug, 2023

  • 个体公正排序

    提出基于最优传输正则化的算法，确保少数群体的项目与多数群体的相似项目一同出现，实现个体公平的排序，进行排名任务时有助于降低人口统计偏差，证明该方法可以生成被公认为个体公平的 LTR 模型。

    Mar, 2021