BriefGPT - AI 论文速递
·
基于组公平的 Plackett-Luce 排名模型的相关性和事后公平优化
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究提出了一种新的目标函数，通过性能约束来最大化预期相关性，以确保学习排序的后验公平性。该方法在LTR框架中构建了一个组内公平的Plackett-Luce模型，并在三个真实数据集上进行了实验证明，相比LTR基线模型，在相关性和公平性方面具有更好的性能。
🎯
关键要点
- 该研究提出了一种新的目标函数，通过性能约束来最大化预期相关性。
- 目标是确保学习排序的后验公平性。
- 在LTR框架中构建了一个组内公平的Plackett-Luce模型。
- 在三个真实数据集上进行了实验证明。
- 相比LTR基线模型，该方法在相关性和公平性方面具有更好的性能。
➡️
