May, 2024

在有限敏感属性条件下的公平推荐：一种分布鲁棒优化方法

PDF
TL;DR我们提出了分布鲁棒的公平优化（DRFO）方法，通过最小化所有潜在概率分布中最坏情况下的不公平性，而不是重建后的敏感属性的概率分布，来确保在只有有限敏感属性可获取的情况下，推荐系统中的公平性。
recommender systemsfairnesssensitive attributesreconstruction errorsdrfo
发现论文，激发创造
  • 利用公平性来增强敏感属性的重建

    本篇论文提出了一种通用的重构校正方法，可以在满足用户定义的约束条件（如公平性信息）的同时最小化敌手的猜测的更改，并解决了黑盒访问目标模型的情况下反应了培训数据敏感属性的问题。

    Sep, 2022

  • 公平信用评分的分布鲁棒优化方法

    应用分布鲁棒优化方法 (DRO) 研究信用评分，评估其在公平性、正确分类能力和解决边际比例变动时解决方案的稳健性方面的表现，结果显示 DRO 方法在公平性方面有显著改进，并且几乎不损失性能。但需要进一步完善有效实施这些系统。研究还指出，在信用评分环境中，许多常用的公平性指标并不适用，因为它们依赖于分类阈值的选择。

    Feb, 2024

  • 在不考虑敏感属性的情况下学习公平模型：一种生成方法

    本文提出了一种基于概率生成模型的方法，通过在采用了多种形式的相关特征的训练数据中有效地估计敏感属性信息，从而提高公平模型的学习率。实际测试表明了该方法的准确性和公平性。

    Mar, 2022

  • 一种分布鲁棒的公平分类方法

    提出了一种具有不公平惩罚的分布鲁棒逻辑回归模型，可以使用 Wasserstein ball 来对分布不确定性进行建模以实现公平机会并提高公平性。

    Jul, 2020

  • 公平 ROAD：对抗去偏的鲁棒优化

    该研究致力于解决局部公平性问题，引入了 ROAD 方法，结合了分布鲁棒优化框架和公平对抗学习目标，从而实现了在整个人口和特征空间的任何子区域内预测的无偏性。实证实验证明该方法在三个标准数据集上实现了局部公平性和准确性的帕累托优势，并在分布转移下增强了公平性的推广能力。

    Oct, 2023

  • 通过强化学习实现帕累托有效的公平效用权衡推荐

    本文提出了一种基于多目标强化学习的公平感知的推荐框架（MoFIR），能够以单参数表示形式学习所有可能偏好的最优推荐策略，并在多个真实推荐数据集上的实验中验证了其在公平指标和推荐度量方面的优越性。

    Jan, 2022

  • 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

  • 关于以大部分为私有敏感属性的公平分类

    本文提出了在机器学习半私密设置中进行公平分类的新框架 FairSP，该框架可以借助少量的干净敏感属性来纠正嘈杂的敏感属性，然后通过对抗的方式，共同模拟已经校正的和干净的数据，以实现去偏差和预测，并证明该模型可以保证当大多数敏感属性是私密时的公平性。

    Jul, 2022

  • 排名公平性：无需保护属性的随机化鲁棒性

    我们提出了一种用于后处理排名的随机方法，不需要受保护属性的可用性，通过广泛的数值研究，我们展示了我们的方法在 P-Fairness 和与基线排名的标准化折现累积增益 (NDCG) 方面的稳健性和有效性，并改进了之前提出的方法。

    Mar, 2024

  • 公平性测试深度推荐系统（FairRec）

    本篇研究提出了 FairRec 框架，支持多角度的 DRS 公平测试，并使用 DPSO 算法成功检测出了多个 mainstream DRSs 存在的深度公平问题，并通过简单的二次排序缓解策略显著提升了 DRS 的公平性

    Apr, 2023