具有有限敏感属性的公平推荐：一种分布鲁棒优化方法

由于推荐系统在求职和电子商务等各个领域不可或缺，为具有不同敏感属性的用户提供公平的推荐成为一项迫切的要求。先前增强推荐系统公平性的方法假设所有敏感属性都是可用的，但由于隐私问题或获取这些属性的手段不足，这些属性往往难以获得。在实践中，这些方法的有效性受到限制，促使我们研究在敏感属性信息有限的情况下促进公平性的方法。为了实现这一目标，重建缺失的敏感属性非常重要。然而，由于现实世界敏感属性重建问题的复杂性和法律法规，重建误差是不可避免的。因此，我们寻求对重建误差具有鲁棒性的公平学习方法。为此，我们提出了分布鲁棒公平优化(Distributionally Robust Fair Optimization, DRFO)，该方法通过最小化缺失敏感属性的所有潜在概率分布上的最坏情况不公平性，而非仅基于重建分布，以应对重建误差的影响。我们提供了理论和实证证据，证明在仅能获取有限敏感属性时，我们的方法能够有效确保推荐系统的公平性。