Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF

要約

レコメンダー システムにおける公平性の問題は、実際には複雑なことが多く、単純化された調査定式化では適切に把握できません。
公平性問題の社会的選択の定式化は、公平性に関する懸念のマルチエージェント アーキテクチャ内で動作し、公平性を意識した推奨アプローチに代わる柔軟で多面的な代替手段を提供します。
社会的選択を活用することで、一般性が高まり、競合する複数の公平性に関する懸念の間の緊張を解決するために、十分に研究された社会的選択アルゴリズムを利用できる可能性が高まります。
この論文では、実際のデータと合成データの両方を使用して、マルチアスペクト公平性アプリケーションにおける選択メカニズムの幅広いオプションを調査し、異なるクラスの選択と割り当てメカニズムによって、異なるが一貫した公平性/精度のトレードオフが生じることを示します。
また、マルチエージェント製剤がユーザー人口動態に適応する柔軟性を提供することも示します。

要約(オリジナル)

Fairness problems in recommender systems often have a complexity in practice that is not adequately captured in simplified research formulations. A social choice formulation of the fairness problem, operating within a multi-agent architecture of fairness concerns, offers a flexible and multi-aspect alternative to fairness-aware recommendation approaches. Leveraging social choice allows for increased generality and the possibility of tapping into well-studied social choice algorithms for resolving the tension between multiple, competing fairness concerns. This paper explores a range of options for choice mechanisms in multi-aspect fairness applications using both real and synthetic data and shows that different classes of choice and allocation mechanisms yield different but consistent fairness / accuracy tradeoffs. We also show that a multi-agent formulation offers flexibility in adapting to user population dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google