Sep, 2023

探索 SCRUF 中用于推荐公平性的社会选择机制

PDF
TL;DR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。
fairness problemsrecommender systemssocial choice formulationmulti-agent architecturefairness-aware recommendation approaches
发现论文，激发创造
  • 多智能体社会选择下的动态公平推荐

    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。

    Mar, 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

  • 推荐系统公平性调查

    本文对超过 60 篇发表于顶级会议 / 期刊的论文进行了综述，探讨了在推荐系统中公正性的挑战以及该主题的定义和分类，同时对公正性的度量、公正方法以及未来研究方向进行了评述。

    Jun, 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

  • 系统公平性

    本文提出了机器学习和算法的公平性问题，强调在实际应用中考虑系统公平性的重要性，尤其是在具有多个代理机构的生态系统中，而非仅以单个决策者或代理人为中心。

    Apr, 2023

  • 多利益相关者推荐及其与多方公平性的关联

    本文研究了多利益相关者推荐的公平性问题，定义了多利益相关者推荐系统的不同类别，并讨论了在此类系统中不同的公平性问题。

    Jul, 2019

  • 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

  • 推荐系统中的公平性：研究现状和未来方向

    通过审查超过 150 篇学术出版物，本文综述了公平性的基本概念及其如何在目前的研究中操作化的概述，并发现在计算机科学的许多研究作品中，具体问题都存在抽象的操作化，缺少跨学科的讨论，这些观察要求开展更多的跨学科研究来更全面地解决公平性在推荐中的问题。

    May, 2022

  • 推荐系统中的消费者公平性：方法和评估的系统调查

    本文为乘用侧公平在推荐系统中的研究提供了系统的概览和讨论，并提出了一种基于高级公平解释的新型分类方法，用于对研究及其提出的公平评价指标进行分类，最后提出了该领域未来的一些方向建议。

    May, 2023