通过有序加权平均的可微优化学习公平排序策略
机器学习
2024-02-09 v1 人工智能
计算机与社会
摘要
学习排序（LTR）是应用最广泛的机器学习应用之一。它是具有深远社会影响的平台中的关键组成部分，包括职位搜索、医疗信息检索和社交媒体内容推送。传统的LTR模型已被证明会产生有偏见的结果，这引发了关于如何解决仅优先考虑用户相关性的排序系统所引入的差异的讨论。然而，尽管已经提出了几种公平学习排序模型，但它们在准确性或效率方面存在缺陷，从而限制了它们在实际排序平台上的适用性。本文展示了如何将基于有序加权平均（OWA）函数优化的、可高效求解的公平排序模型集成到LTR模型的训练循环中，以在公平性、用户效用和运行时效率之间取得有利的平衡。特别是，本文首次展示了如何通过约束优化的OWA目标进行反向传播，使其能够用于集成的预测和决策模型。
引用
@article{arxiv.2402.05252,
title = {Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages},
author = {My H. Dinh and James Kotary and Ferdinando Fioretto},
journal= {arXiv preprint arXiv:2402.05252},
year = {2024}
}