[論文レビュー] Beyond Exposure: Optimizing Ranking Fairness with Non-linear Time-Income Functions

Xuancheng Li, Tao Yang+3 more|arXiv (Cornell University)|Feb 3, 2026

Ethics and Social Impacts of AI被引用数 0

ひとこと要約

要約なしの直接的な答え: 本論文はランキングのIncome Fairnessを定義し、非線形の時間-to-所得マッピングの下で効果と所得フェアネスの両立を最適化する Dynamics-Income-Derivative-aware Ranking Fairness (DIDRF) アルゴリズムを導入します。オフラインおよびオンライン設定で適用可能です。

ABSTRACT

Ranking is central to information distribution in web search and recommendation. Nowadays, in ranking optimization, the fairness to item providers is viewed as a crucial factor alongside ranking relevance for users. There are currently numerous concepts of fairness and one widely recognized fairness concept is Exposure Fairness. However, it relies primarily on exposure determined solely by position, overlooking other factors that significantly influence income, such as time. To address this limitation, we propose to study ranking fairness when the provider utility is influenced by other contextual factors and is neither equal to nor proportional to item exposure. We give a formal definition of Income Fairness and develop a corresponding measurement metric. Simulated experiments show that existing-exposure-fairness-based ranking algorithms fail to optimize the proposed income fairness. Therefore, we propose the Dynamic-Income-Derivative-aware Ranking Fairness algorithm, which, based on the marginal income gain at the present timestep, uses Taylor-expansion-based gradients to simultaneously optimize effectiveness and income fairness. In both offline and online settings with diverse time-income functions, DIDRF consistently outperforms state-of-the-art methods.

研究の動機と目的

• 露出以上の公正性を動機づけ、所得が露出に比例しない文脈依存であることを認識する。
• 提供者の効用を形式的な公正性概念として「所得フェアネス」と「償却所得フェアネス」を定義する。
• 時間依存の露出-to-所得マッピングをモデル化し、提供者の公正性への影響を定量化する。
• ランキングの有効性と所得フェアネスを同時に最適化する実用的な最適化フレームワーク（DIDRF）を開発する。
• 時間依存の所得関数に対してオフラインおよびオンラインのシミュレーションでDIDRFの頑健性と優位性を示す。

提案手法

• 文脈依存の提供者ユーティリティを捉えるために所得フェアネスと償却所得フェアネスを形式的に定義する。
• 所得関数 f_d(t) を通じて露出ベースの所得と文脈依存の単位所得を分解する。
• 有効性の一階展開とフェアネスの二階展開を用いた周辺目的最適化を導出し、アイテムごとのスコア s(d,n) を閉形式で得られるスコアベースのランキングを実現する。
• s(d,n) によってアイテムを並べ替えることで周辺目的を最大化するテイラー展開→ソートのアプローチを活用する。
• オンライン設定へ拡張する際には関連性の不確かさと不確実性ペナルティを周辺目的に組み込み、各アイテムのスコアに不確実性項を含める。
• ランキングあたりの時間計算量を O(|D(q)| log |D(q)|) に保つよう、スコアリングとソーティングを適用する。

(a)

実験結果

リサーチクエスチョン

• RQ1 非線形な時間-to-所得マッピングは露出ベースの公正性と比較して提供者の公正性にどのような影響を与えるか？
• RQ2 所得が文脈依存であるとき、効果と所得フェアネスを同時に最適化できるランキングアルゴリズムは存在するか？
• RQ3 オフラインおよびオンライン設定で非線形所得フェアネス目的を効率的に最適化するにはどうするか？
• RQ4 提案手法DIDRFは時間認識された所得マッピングの下で既存の露出フェアネスベースラインを上回るか？

主な発見

• 所得フェアネスは所得が文脈（時間など）に依存する場合、露出フェアネスより提供者のユーティリティをよりよく捉える。
• DIDRFはオフラインの周期的および非周期的所得関数に対して、公正性を一貫して向上させつつ有効性を維持または向上させる。
• オンライン設定ではDIDRFは関連性不確実性を考慮しつつパフォーマンスを維持し、公正性を向上させる。
• 二階展開と分離代替手法を用いた効率的なアイテムスコアリング関数が大規模ランキングに適している。
• DIDRFはオフライン実験でMMFair、FARA、他のベースラインより統計的に有意な改善を示し（比較で p < 0.001）。

(b)