Ensuring User-side Fairness in Dynamic Recommender Systems

要約

ユーザー側のグループの公平性は、性別、人種、年齢などのデリケートな属性によって定義されるユーザー グループ間のパフォーマンスの格差を軽減することを目的として、最新のレコメンダー システムにとって非常に重要です。
ユーザーとアイテムのインタラクションが進化し続ける状況において、レコメンダー システムが最新のユーザーの好みに合わせ続けるためには、新しく収集されたデータに継続的に適応することが重要です。
しかし、そのような継続的な適応がパフォーマンスの格差を悪化させることがよくあることが観察されています。
そのためには、動的レコメンダー システムにおけるユーザー側の公平性についての徹底的な調査が必要ですが、これは文献では未調査の領域です。
この問題は、分布の変化、モデルの頻繁な更新、およびランキング指標の微分不可能性により困難です。
私たちの知る限り、この論文は、動的レコメンダー システムにおけるユーザー側の公平性の確保に関する最初の原則的な研究を示しています。
まずは微調整と微調整に関する理論的な分析から始めます。
再トレーニングでは、ベスト プラクティスが再起動による増分微調整であることが示されています。
私たちは、理論分析に基づいて、ユーザー側の公平性を時間の経過とともに動的に確保するエンドツーエンドの微調整フレームワークである FAir Dynamic rEcommender (FADE) を提案します。
公平性損失における推奨メトリクスの非微分可能性を克服するために、最近の NeuralNDCG 法の改良点として Differentiable Hit (DH) をさらに導入し、勾配消失の問題を軽減するだけでなく、より高い効率も達成します。
それに加えて、推奨損失と公平性損失の間の競合性質を利用することで、公平性損失の不安定性の問題にも対処します。
実世界のデータセットに対する広範な実験を通じて、FADE が全体的なレコメンデーション パフォーマンスをほとんど犠牲にすることなく、効果的かつ効率的にパフォーマンスの差異を削減できることを実証しました。

要約(オリジナル)

User-side group fairness is crucial for modern recommender systems, aiming to alleviate performance disparities among user groups defined by sensitive attributes like gender, race, or age. In the ever-evolving landscape of user-item interactions, continual adaptation to newly collected data is crucial for recommender systems to stay aligned with the latest user preferences. However, we observe that such continual adaptation often exacerbates performance disparities. This necessitates a thorough investigation into user-side fairness in dynamic recommender systems, an area that has been unexplored in the literature. This problem is challenging due to distribution shifts, frequent model updates, and non-differentiability of ranking metrics. To our knowledge, this paper presents the first principled study on ensuring user-side fairness in dynamic recommender systems. We start with theoretical analyses on fine-tuning v.s. retraining, showing that the best practice is incremental fine-tuning with restart. Guided by our theoretical analyses, we propose FAir Dynamic rEcommender (FADE), an end-to-end fine-tuning framework to dynamically ensure user-side fairness over time. To overcome the non-differentiability of recommendation metrics in the fairness loss, we further introduce Differentiable Hit (DH) as an improvement over the recent NeuralNDCG method, not only alleviating its gradient vanishing issue but also achieving higher efficiency. Besides that, we also address the instability issue of the fairness loss by leveraging the competing nature between the recommendation loss and the fairness loss. Through extensive experiments on real-world datasets, we demonstrate that FADE effectively and efficiently reduces performance disparities with little sacrifice in the overall recommendation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google