为最大最小组公平性在推荐系统中的优化搭建 Jensen 间隙
信息检索
2025-02-14 v1 机器学习
摘要
组最大最小公平 (MMF) 常用于公平性感知推荐系统 (RS) 作为优化目标, 旨在保护边缘群体并确保公平竞争平台. 然而, 我们的理论分析表明, 将 MMF 约束纳入优化过程违反了样本独立性假设, 导致损失函数偏离线性可加性. 这种非线性特性在小批量抽样应用时引入 Jensen 间隙, 使模型收敛点与最优点之间存在差距. 理论与实证研究表明, 随着小批量大小减小和群体规模增加, Jensen 间隙将相应扩大. 一些使用启发式重加权或去偏策略的方法可能有望缩小 Jensen 间隙. 然而, 这些方法要么缺乏理论保证, 要么面临高计算成本. 为克服这些限制, 我们首先理论证明 MMF 约束目标可本质上重塑为群加权优化目标. 随后我们提出一种高效有效的算法 FairDual, 其利用双优化技术来最小化 Jensen 间隙. 我们的理论分析表明, FairDual 在随机洗牌的小批量抽样策略下可实现收敛率随时间增长, 并能将 Jensen 间隙良好地加以界定. 在三个公开数据集上使用六个大型 RS 主干模型进行的广泛实验表明, FairDual 在准确性和公平性方面均优于所有基线方法. 我们的数据和代码已共享于 https://github.com/XuChen0427/FairDual.
引用
@article{arxiv.2502.09319,
title = {Bridging Jensen Gap for Max-Min Group Fairness Optimization in Recommendation},
author = {Chen Xu and Yuxin Li and Wenjie Wang and Liang Pang and Jun Xu and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2502.09319},
year = {2025}
}
备注
Accepted in ICLR 2025