Mar, 2023

多智能体社会选择下的动态公平推荐

PDF
TL;DR在个性化推荐背景下的算法公平性面临着与分类任务中不同的挑战。本文提出了一种多人利益相关社会选择问题的形式化模型，将推荐公平性表述为一个分配和聚合问题的结合，并提出了一些新的推荐技术。
algorithmic fairnesspersonalized recommendationmultistakeholder fairnesssocial choice problemfairness concerns
发现论文，激发创造
  • 探索 SCRUF 中用于推荐公平性的社会选择机制

    在社交选择公正问题的多代理体系结构下，研究探索了多方面公正应用中的多种选择机制，发现不同类别的选择和分配机制在公正 / 准确性权衡方面产生了不同但一致的结果，并展示多代理体系结构在适应用户人口动态方面具有灵活性。

    Sep, 2023

  • 通过个性化重新排序实现机会主义多方面公平

    研究人员提出了一种重新排名的方法，通过学习多个公平维度的个人偏好，增强了建议结果的公平性。这种方法可以更好地平衡准确性和公平性。

    May, 2020

  • 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

  • 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

  • 公平感知在线个性化

    本文针对在线个性化设置中排名的公平性问题，从公平的机器学习模型开始，探讨了在线个性化如何导致模型不公平，并提出了一种基于正则化的方法来缓解机器学习中的偏差。

    Jul, 2020

  • 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

  • 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

  • 推荐系统的多方公平性

    本文探讨了机器学习中公平性的问题，并将公平性概念扩展到了推荐系统中。在某些推荐场景中，公平性是一个多面向的概念，需要考虑多个个体的公平性。在此基础上，我们提出了一种分类方法来设计公平感知的推荐系统并给出了可能的架构。

    Jul, 2017

  • 公平与个性化：朝向认知效用的公平

    在个性化系统中实现公平性的方法与政策推荐，以避免算法系统中存在和持续偏见的风险。

    Sep, 2023

  • 推荐公正性：一项调查

    这篇论文系统地概述了推荐系统公平性的研究现状和挑战，介绍了现有的公平性定义分类、公平性提高技术和用于公平研究的数据集。

    May, 2022