Online certification of preference-based fairness for personalized recommender systems

要約

レコメンダーシステムは、私たちがアクセスできる機会への影響が大きくなっているため、精査に直面している。現在の公平性の監査は、敏感なグループのレベルでの粗い粒度のパリティ評価に限定されている。我々は、個人の嗜好に沿った、より粒度の細かい基準である、羨望フリーネスを監査することを提案する：全てのユーザーは、他のユーザーの推薦文よりも自分の推薦文を好むべきである。羨望の監査は、既存の推薦文以外のユーザーの嗜好を推定する必要があるため、我々は監査を多腕バンディットにおける新しい純粋探索問題として設定する。我々は、ユーザー体験を悪化させないことを理論的に保証した、サンプル効率の良いアルゴリズムを提案する。また、実世界の推薦データセットで達成されたトレードオフを研究する。

要約(オリジナル)

Recommender systems are facing scrutiny because of their growing impact on the opportunities we have access to. Current audits for fairness are limited to coarse-grained parity assessments at the level of sensitive groups. We propose to audit for envy-freeness, a more granular criterion aligned with individual preferences: every user should prefer their recommendations to those of other users. Since auditing for envy requires to estimate the preferences of users beyond their existing recommendations, we cast the audit as a new pure exploration problem in multi-armed bandits. We propose a sample-efficient algorithm with theoretical guarantees that it does not deteriorate user experience. We also study the trade-offs achieved on real-world recommendation datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL