自适应公平表示学习：通过信息对齐实现推荐中的个性化公平

推荐中的个性化公平性正日益受到研究者的关注。现有工作通常将表示为敏感属性集合的公平性要求视为超参数，并通过从学习到的公平嵌入中完全移除敏感属性信息来追求极端公平，这面临着两大挑战：属性组合爆炸导致的巨大训练成本，以及公平性与准确性之间的次优权衡。在本文中，我们提出了一种新颖的自适应公平表示学习（AFRL）模型，该模型由于在推理阶段仅训练一个模型即可自适应地服务于不同的公平性要求，从而实现了真正的个性化公平。特别地，AFRL 将公平性要求作为输入，并能够从不公平的用户嵌入中为每个属性学习一个属性特定的嵌入，这使得 AFRL 在推理阶段具备适应性，能够在用户独特的公平性要求指导下确定非敏感属性。为了在推荐中实现公平性与准确性之间更好的权衡，AFRL 进行了一种新颖的信息对齐，以精确保留非敏感属性的判别信息，并将去偏的协同嵌入融入公平嵌入中，以捕获与属性无关的协同信号，同时不损失公平性。最后，在真实数据集上进行的大量实验以及严谨的理论分析证明了 AFRL 的优越性。