在上下文老虎机中实现用户侧公平性
机器学习
2020-10-26 v1 人工智能
摘要
基于多臂老虎机（MAB）算法的个性化推荐已被证明能够带来高效用与高效率，因为它可以根据反馈动态调整推荐策略。然而，个性化推荐中可能出现不公平现象。在本文中，我们研究如何在个性化推荐中实现用户侧公平性。我们将公平个性化推荐表述为一种改进的上下文老虎机，并侧重于在被推荐物品的个人上实现公平性，而非在被推荐的物品上实现公平性。我们引入并定义了一种度量，从特权群体与受保护群体所获奖励的角度刻画公平性。我们提出了一种公平的上下文老虎机算法 Fair-LinUCB，该算法改进了传统的 LinUCB 算法以实现用户组级别的公平性。我们的算法在向学生推荐个性化视频以达成高效率的过程中检测并监控不公平性。我们提供了理论后悔分析，并表明我们的算法的后悔上界略高于 LinUCB。我们进行了大量实验评估，将我们的公平上下文老虎机与 LinUCB 的性能进行比较，结果表明我们的方法在保持高效用的同时实现了组级别公平性。
引用
@article{arxiv.2010.12102,
title = {Achieving User-Side Fairness in Contextual Bandits},
author = {Wen Huang and Kevin Labille and Xintao Wu and Dongwon Lee and Neil Heffernan},
journal= {arXiv preprint arXiv:2010.12102},
year = {2020}
}
备注
12 pages