面向相关性与事后公平性的组公平 Plackett-Luce 排序模型优化
机器学习
2023-08-28 v1 计算机与社会
信息检索
摘要
在学习排序(LTR)中,仅优化相关性(或期望排序效用)会对某些类别的条目造成代表性损害。此外,若相关性分数中存在隐式偏差,LTR 模型可能无法优化真实相关性。先前工作提出了高效算法来训练随机排序模型,以实现组间曝光公平的事前(或期望意义下)保证,但这无法保证事后(即从随机排序模型实现某一排序后)的组表示公平。通常事后公平通过后处理实现,但先前工作并未训练感知此后处理的随机排序模型。本文提出一种新目标,仅在满足给定表示约束的排序上最大化期望相关性,以确保事后公平。基于近期关于事后组公平排序高效采样器的工作,我们提出一种组公平 Plackett-Luce 模型,并表明它可在 LTR 框架下针对我们的目标高效优化。在三个真实数据集上的实验表明,我们的组公平算法在保证公平的同时,相关性通常优于 LTR 基线。此外,我们的算法在相关性上也优于同样保证事后公平的后处理基线。进一步,当训练数据注入隐式偏差时,我们的算法在相关性上通常优于现有 LTR 基线。
引用
@article{arxiv.2308.13242,
title = {Optimizing Group-Fair Plackett-Luce Ranking Models for Relevance and Ex-Post Fairness},
author = {Sruthi Gorantla and Eshaan Bhansali and Amit Deshpande and Anand Louis},
journal= {arXiv preprint arXiv:2308.13242},
year = {2023}
}
备注
20 pages