通过强化学习实现帕累托有效的公平效用权衡推荐

Jan, 2022

通过强化学习实现帕累托有效的公平效用权衡推荐

Toward Pareto Efficient Fairness-Utility Trade-off inRecommendation through Reinforcement Learning

Yingqiang Ge, Xiaoting Zhao, Lucia Yu, Saurabh Paul, Diane Hu...

TL;DR本文提出了一种基于多目标强化学习的公平感知的推荐框架（MoFIR），能够以单参数表示形式学习所有可能偏好的最优推荐策略，并在多个真实推荐数据集上的实验中验证了其在公平指标和推荐度量方面的优越性。

Abstract

The issue of fairness in recommendation is becoming increasingly essential as Recommender Systems touch and influence more and more people in their daily lives. In fairness-aware recommendation, most of the existing algorithmic approaches mainly aim at solving a constrained optimizatio

fairness-aware recommendation multi-objective reinforcement learning pareto frontier unfair recommendations recommendation accuracy

发现论文，激发创造

利用强化学习在多智能体马尔科夫决策过程中实现公平

本文提出了一种基于强化学习和在线凸优化的方法来实现多智能体系统中的公平性，在保证植树的情况下为不同智能体提供公平奖励。该方法能够在未知环境中实现公平，并在实验中得到了验证。

Jun, 2023

CPFair：用于推荐系统的个性化消费者和生产者公平重排

本文提出了一种基于优化的重新排序方法，该方法在联合目标框架中无缝集成了来自消费者和生产者方面的公平性约束，并经过 8 个数据集的大规模实验证明，我们的方法能够提高消费者和生产者的公平性，同时不会降低总体的推荐质量。

Apr, 2022

基于偏好的强化学习中的公正性

本文研究多目标偏好强化学习中的公平性问题，并提出了一种新的公平性偏好强化学习方法 FPbRL，通过最大化广义基尼福利函数，学习与多个目标相关的向量奖励函数，并通过实验研究表明，该方法能够同时实现学习有效和公平的策略。

Jun, 2023

推荐系统中的长期公平性

本文提出了一种用于动态公平学习的约束强化学习算法，通过将推荐问题建模为约束马尔可夫决策过程，以解决推荐系统中长期公平性的问题。实验结果表明，该算法在推荐性能、短期公平性和长期公平性方面均具有优越性。

Jan, 2021

消费者和生产者群体公平优化的个性化框架：在推荐系统中

近年来，人们越来越认识到，当机器学习算法用于自动化决策时，它们可能会对个人或群体造成不公平待遇，涉及法律、道德或经济方面的问题。本文提出了一个名为 CP-FairRank 的基于优化的重新排序算法，它在综合目标框架中无缝地集成了消费者和生产者双方的公平性约束，具有普适性，并且能够根据群体细分、推荐模型选择和领域的不同情况考虑不同的公平设置，改善消费者和生产者的公平性而不会明显影响整体推荐质量，从而展示算法在避免数据偏见方面的作用。

Feb, 2024

在有限敏感属性条件下的公平推荐：一种分布鲁棒优化方法

我们提出了分布鲁棒的公平优化（DRFO）方法，通过最小化所有潜在概率分布中最坏情况下的不公平性，而不是重建后的敏感属性的概率分布，来确保在只有有限敏感属性可获取的情况下，推荐系统中的公平性。

May, 2024

推荐中的个性化对抗公平性

本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

May, 2021

DeepFair: 推荐系统中提升公平性的深度学习

提出了一种基于深度学习协同过滤算法的推荐系统，实现了公平和准确度之间的最佳平衡，无需知道用户的人口统计信息。实验结果表明，可以在不失去大部分准确度的情况下进行公平的推荐。

Jun, 2020

通过强化学习在动态系统中找到公平性的平衡点

在这篇论文中，我们研究了在顺序决策中存在着动态系统的公平性问题，提出了一个基于马尔可夫决策过程的算法框架，通过预处理和处理中方法集成各种公平性考虑，平衡传统公平性、长期公平性和效用。

Jan, 2024

个性化推荐系统的基于偏好公平性的在线认证

本论文介绍了如何针对个人偏好进行推荐系统的公平性审核，提出了一种以多臂赌博机为基础的高效算法，并在现实数据集上进行了实验和研究。

Apr, 2021