WWWAug, 2021

不完整判断情况下公平排名度量方法估算

PDF
TL;DR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。
fairnesssearch system rankingprotected attributessampling strategyfair ranking metrics
发现论文，激发创造
  • 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

  • 利用概率受保护特征估计和实现常规公平度量

    在有限的受保护属性标签访问情况下，本文开发了测量和减少公平违规的方法，提出了估计现有模型的常见公平度量和解决约束非凸优化问题以限制公平违规的模型训练技术，并且相比其他受限受保护属性的公平优化方法，在减小公平度的同时减少了公平性和准确性的权衡。

    Oct, 2023

  • 排名公平性：无需保护属性的随机化鲁棒性

    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

  • 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

  • 设计公平的排名方案

    本文介绍了一种方法，帮助用户选择公平的准则权重，在多维空间中为一系列公平准则展示出满足这些准则的区域，如果不满足相应准则，提供最小的修改建议。实验证明，该系统能够有效地满足公平性要求。

    Dec, 2017

  • 排名和回归的成对公平性

    我们提出了针对排名模型和回归模型的成对公平度量标准，这些标准类似于统计公平概念，如平等机会、平等准确性和统计平等，通过现有的约束优化和鲁棒优化技术可以有效地解决结果训练问题，实验表明这些方法具有广泛的适用性和权衡性。

    Jun, 2019

  • 评估学生绩点预测问题中的群体公平性措施

    本文对教育数据挖掘中不同组公平措施和学生表现预测模型进行比较，发现公平措施和成绩阈值的选择对模型的预测效果具有重要影响。

    Aug, 2022

  • 当公平排名遇到不确定推断

    在真实世界的场景中，算法运营商为了在职位申请者或信贷申请者之间进行排名，可能通过推断人们的人口统计学信息并将其提供作为排名算法的输入，但本研究通过模拟和三个真实数据集的案例研究表明，实际系统中产生的人口推断可能会导致不公平的排名。因此，开发人员不应将推断出的人口统计数据作为公平排名算法的输入，除非推断结果非常准确。

    May, 2021

  • 具有噪声保护组的公平鲁棒优化

    研究机器学习的公平性标准，提出一种使用鲁棒优化的新方法来处理受保护群体的嘈杂标签问题，并经实验验证，该方法能更好地保证在真实受保护群体上的公平性标准。

    Feb, 2020

  • 评估不确定和不完整信息下机器学习模型的公平性

    研究公平分类器培训和评估的挑战，探讨对数据点的敏感属性信息和标签信息的公平性指标依赖性，以及在数据缺乏的情况下如何训练和使用属性分类器进行偏差估计。

    Feb, 2021