Feb, 2024

通过可微优化有序加权平均值学习公平排名策略

PDF
TL;DR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。
learning to rankfair ranking modelsordered weighted averagebackpropagationconstrained optimizations
发现论文，激发创造
  • 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

  • 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

  • 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

  • RankFormer：采用列表标签的列表排序学习

    提出使用 RankFormer 架构来从用户的绝对反馈中学习列表的总体质量并优化排序，模拟的公共数据集与 Amazon 搜索数据集的离线实验结果表明 RankFormer 优于所有基线；通过知识蒸馏可立即在在线实验中使用

    Jun, 2023

  • 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

  • 不确定性下公平多目标优化的端到端学习

    通过训练技术和应用设置，本文将 PtO 方法扩展到具有不可微分的有序加权平均目标的优化问题，展示了如何在不确定性下有效地将 OWA 函数优化与参数预测相结合，以实现公平和稳健的优化。

    Feb, 2024

  • 可微的无偏在线学习排名

    Pairwise Differentiable Gradient Descent (PDGD) is an efficient and unbiased Online Learning to Rank approach that allows for effective optimization of non-linear models based on user interactions and preferences, providing a better user experience than previously possible.

    Sep, 2018

  • 具有偏差反馈的无偏学习排序

    通过对因果推断框架的提出，使用倾向权重排序支持向量机从隐式反馈学习，消除了数据偏差问题，取得了更好的结果。

    Aug, 2016