Dynamic fairness-aware recommendation through multi-agent social choice

要約

パーソナライズされたレコメンデーションのコンテキストにおけるアルゴリズムの公平性は、分類タスクで一般的に遭遇するものとは大きく異なる課題を提示します。
分類を研究している研究者は一般に、公平性とは保護されたグループと保護されていないグループの間で結果の平等を達成することの問題であると考えており、これに基づいてアルゴリズムによる介入を構築しました。
私たちは、現実世界のアプリケーション設定全般、特にパーソナライズされたレコメンデーションのコンテキストにおける公平性は、はるかに複雑かつ多面的であり、より一般的なアプローチが必要であると主張します。
我々は、推奨システムにおけるマルチステークホルダーの公平性を 2 段階の社会的選択問題として形式化するモデルを提案します。
特に、我々は、公平性への懸念と個人化された推奨条項の両方を統合する割り当てと集約問題の新しい組み合わせとして推奨の公平性を表現し、この定式化に基づいて新しい推奨手法を導き出します。
シミュレーションにより、複数の公平性に関する懸念を動的に統合するフレームワークの機能が実証されます。

要約(オリジナル)

Algorithmic fairness in the context of personalized recommendation presents significantly different challenges to those commonly encountered in classification tasks. Researchers studying classification have generally considered fairness to be a matter of achieving equality of outcomes between a protected and unprotected group, and built algorithmic interventions on this basis. We argue that fairness in real-world application settings in general, and especially in the context of personalized recommendation, is much more complex and multi-faceted, requiring a more general approach. We propose a model to formalize multistakeholder fairness in recommender systems as a two stage social choice problem. In particular, we express recommendation fairness as a novel combination of an allocation and an aggregation problem, which integrate both fairness concerns and personalized recommendation provisions, and derive new recommendation techniques based on this formulation. Simulations demonstrate the ability of the framework to integrate multiple fairness concerns in a dynamic way.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google