Mar, 2024

使用基于词汇表示法来衡量排序列表中的偏差

PDF
TL;DR通过引入 TExFAIR 度量方法，该研究提供了一种新的评估框架，用于衡量文件排名中的性别偏见和公平性，通过基于术语的组表示来评估排名列表中性别偏见的公平性，与现有的评估方法 NFaiRR 有所不同。
gender biasdocument rankingtexfairfairness evaluationterm-based representations
发现论文，激发创造
  • 用户注意力对排名列表中公平群组表现的影响量化

    本文提出了一种用于审计排名列表中群体公平性的新度量，通过我们的度量方法，能够更好地解决人为因素对公平性评估的影响，同时考虑了用户的注意力模式以及对保护属性的支持，我们还利用度量方法对三个模拟案例进行了公平性审计。

    Jan, 2019

  • 检测社会偏见的内容：BERT 排名器的度量框架与对抗性缓解

    本研究提出了一种新的框架来度量排名模型中检索文本内容的公平性，并使用针对信息检索的对抗性公平性缓解方法提出了一种排名模型 (AdvBert)，该模型联合学习以预测相关性并删除受保护特征，为信息检索中存在的偏见问题提供了有效的解决方案。实验结果表明，与基线算法相比，所有排名模型的公平性较低，使用提出的 AdvBert 模型可以显著提高 Bert 排名器的公平性，同时在不损失实用性的情况下保持显着的公平性改善。

    Apr, 2021

  • 面向搜索和推荐系统的公正排序技术及其在领英人才搜索中的应用

    该研究提出了一种评估和降低个人排名算法偏差的框架，旨在实现公平性标准，通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中，实现公平和商业指标的协调提高，有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。

    Apr, 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

  • 一种公平的 Top-k 排名算法 FA*IR

    本文定义并解决了公平的 Top-k 排名问题，算法可以在保证每个排名的前缀中所选的受保护候选人的比例在统计意义上始终高于或不可区分于给定最小值的情况下，从一大波的候选人中选取 k 个最合适的候选人，使得公平性和效用权衡紧密结合，对最大化效用和减少偏差有显著贡献。

    Jun, 2017

  • 不完整判断情况下公平排名度量方法估算

    为应对个人受保护属性标签稀缺的大规模系统，本研究提出了采样策略和评估技术以对四种公平排名度量进行测量，并形成一个强大而无偏的估算器。实验结果证明了该方法的可行性和可靠性。

    Aug, 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

  • 排名公平性

    该研究提出了一种概念和计算框架，允许确定排名的公平性限制，并发展出高效的算法，以最大化用户效用且确保满足特定的公平概念。

    Feb, 2018

  • 关注公平：在排名中摊销个体公平

    该论文提出了一种新的测量和减轻排名偏差的方法，通过减少个体受到的不公平待遇，从而实现排名的公平性，同时维持排名质量。该方法弥补了现有方法在个体和群体公平性检测上的不足。

    May, 2018

  • 信息检索中的索引偏见的测量和应对

    信息检索系统的相关性排序可能引入指示偏见，该研究引入了自动偏见审核框架（PAIR framework）和偏见度量（bias metric），通过对 8 个信息检索系统进行评估，在一系列有争议的主题中，验证了指示偏见如何影响读者意见的预测。

    Jun, 2024