Aug, 2023

基于组公平的 Plackett-Luce 排名模型的相关性和事后公平优化

PDF
TL;DR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。
learning-to-rankoptimizationex-post fairnessgroup-fair plackett-luce modelimplicit bias
发现论文，激发创造
  • 计算高效的 Plackett-Luce 排名模型优化 —— 针对相关性和公平性

    本文提出了一种名为 PL-Rank 的新算法，用于估计 PL 排名模型关于相关性和公平度量的梯度，相比现有的策略梯度方法，PL-Rank 的采样效率更高且计算成本更低，可以用于更真实、更公平的实际排名系统。

    May, 2021

  • 公平学习排序与无分布风险控制

    本文提出一种基于预训练打分函数的合成模型 FairLTR-RC, 其利用分布无关风险控制框架提供对用户指定效用的有限样本保证，并通过加入阈值 PL 模型实现效用和公平性之间的有效权衡，在多个基准数据集上证明可以显著提高广泛使用的确定性 LTR 模型的公平性同时确保指定水平的效用。

    Jun, 2023

  • 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

  • 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

  • 公平且无偏的排名函数的策略梯度训练

    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。

    Nov, 2019

  • 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

  • 通过可微优化有序加权平均值学习公平排名策略

    学习排序（LTR）是最广泛使用的机器学习应用程序之一。本文展示了如何将有效可解的公平排序模型整合到 LTR 模型的训练循环中，以在公平性、用户效用和运行效率之间取得有利的平衡。特别是，本文首次展示了如何通过 OOW 目标的约束优化进行反向传播，从而在集成的预测和决策模型中使用它们。

    Feb, 2024

  • 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

  • 克服在线学习排名中的先验错误规定

    在线学习排序的领域，Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法，解决了现有工作需要匹配真实先验的主要局限性，并将这些结果扩展到线性和广义线性模型。此外，我们还考虑点击反馈措施，并通过合成和现实世界实验证明了我们算法的有效性。

    Jan, 2023

  • 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