面向异质人口统计下推荐及更一般场景的随机化试验公平性研究
机器学习
2021-10-05 v3 机器学习
摘要
推荐中的观测事件是由某策略所作决策的结果，因此它们通常是选择性标记的，即数据缺失非随机（MNAR），这常对真实结果风险的估计造成较大偏差。纠正 MNAR 偏差的一种通用方法是执行小规模随机对照试验（RCTs），其中采用额外的均匀策略将物品随机分配给每个用户。本工作中，我们聚焦于同质与异质人口统计下 RCTs 的公平性，尤其分析后者设定中最不利群体的偏差。考虑到 RCTs 的局限性，我们提出一种新颖的反事实鲁棒风险最小化（CRRM）框架，其完全免于昂贵的 RCTs，并推导了其理论泛化误差界。最后，在合成任务与真实数据集上进行了实证实验，证实了我们的方法在公平性与泛化性上的优越性。
引用
@article{arxiv.2001.09328,
title = {On the Fairness of Randomized Trials for Recommendation with Heterogeneous Demographics and Beyond},
author = {Zifeng Wang and Xi Chen and Rui Wen and Shao-Lun Huang},
journal= {arXiv preprint arXiv:2001.09328},
year = {2021}
}
备注
The latest version of this paper has been published in NeurIPS'20 with the name: Information Theoretic Counterfactual Learning from Missing-Not-At-Random Feedback. Please refer to arXiv:2009.02623