训练后公平性控制：用于推荐系统中动态公平性的单次训练框架
机器学习
2026-01-29 v1 人工智能
计算机与社会
信息检索
摘要
尽管为减轻推荐系统中的不公平性做出了越来越多的努力，但现有的公平感知方法通常会在训练时固定公平性要求，并且训练后的灵活性有限。然而，在现实场景中，不同的利益相关者可能随时间要求不同的公平性要求，因此为不同的公平性要求重新训练变得不可行。为了解决这一局限性，我们提出了Cofair，一个单次训练框架，能够在推荐中实现训练后的公平性控制。具体来说，Cofair引入了一个带有公平条件适配器模块的共享表示层，以生成针对不同公平性水平特化的用户嵌入，以及一个用户级正则化项，保证在这些水平上用户级的单调公平性改进。我们从理论上证明了Cofair的对抗目标上界化了人口统计均等，并且正则化项在用户级别强制执行渐进式公平性。在多个数据集和骨干模型上的综合实验表明，我们的框架在不同水平上提供了动态公平性，与最先进的基线相比，提供了相当或更好的公平性-准确性曲线，而无需为每个新的公平性要求重新训练。我们的代码可在 https://github.com/weixinchen98/Cofair 公开获取。
引用
@article{arxiv.2601.20848,
title = {Post-Training Fairness Control: A Single-Train Framework for Dynamic Fairness in Recommendation},
author = {Weixin Chen and Li Chen and Yuhan Zhao},
journal= {arXiv preprint arXiv:2601.20848},
year = {2026}
}
备注
Accepted to WWW 2026 Workshop on HCRS (Oral Presentation)