[논문 리뷰] Beyond Exposure: Optimizing Ranking Fairness with Non-linear Time-Income Functions

Xuancheng Li, Tao Yang외 3명|arXiv (Cornell University)|2026. 02. 03.

Ethics and Social Impacts of AI인용 수 0

한 줄 요약

본 논문은 순위에 대한 소득 공정성을 정의하고, 비선형 시간-소득 매핑에서 오프라인 및 온라인 설정에서 효과성과 소득 공정성을 모두 최적화하기 위한 Dynamic-Income-Derivative-aware Ranking Fairness(DIDRF) 알고리즘을 제안한다.

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.

연구 동기 및 목표

• exposures를 넘어 맥락 의존적 소득에서 소득 관계를 인식하여 공정성을 유도한다.
• 소득 공정성(Income Fairness)과 상각된 소득 공정성(Amortized Income Fairness)을 공급자 유틸리티의 형식적 공정성 개념으로 정의한다.
• 시간 의존적 노출-소득 매핑을 모델링하고 공급자 공정성에 미치는 영향을 정량화한다.
• 랭킹 효과성과 소득 공정성을 함께 최적화하는 실용적 최적화 프레임워크(DIDRF)를 개발한다.
• 시간 의존적 소득 함수에 걸친 오프라인 및 온라인 시뮬레이션에서 DIDRF의 견고성과 우월성을 입증한다.

제안 방법

• 맥락 의존적 공급자 유틸리티를 포착하기 위해 소득 공정성(Income Fairness)과 상각된 소득 공정성(Amortized Income Fairness)을 형식적으로 정의한다.
• 소득 함수 f_d(t)를 통해 노출 기반 단위 소득과 맥락 의존적 단위 소득으로 공급자 소득을 분해한다.
• 효과성에 대한 1차 전개와 공정성에 대한 2차 전개를 이용한 한계 목적 최적화를 도출하여 각 항목의 점수 s(d,n)를 폐쇄형으로 얻는 점수 기반 랭킹을 가능하게 한다.
• s(d,n)로 항목을 정렬하는 한계 목표를 최대화하기 위한 테일러 전개 후 정렬(Taylor expansion-then-sorting) 접근법을 활용한다.
• 온라인 설정으로 확장하여 관련성 불확실성과 불확실성 페널티를 한계 목표에 포함시키고 불확실성 항을 포함하는 항목별 점수를 얻는다.
• 랭킹당 시간 복잡도를 O(|D(q)| log |D(q)|)로 보장하기 위해 점수 매기기와 정렬을 통해 구현한다.

(a)

실험 결과

연구 질문

• RQ1 비선형 시간-소득 매핑이 노출 기반 공정성과 비교하여 랭킹에서 공급자 공정성에 어떤 영향을 미치는가?
• RQ2 소득이 맥락 의존적일 때 랭킹 알고리즘이 효과성 및 소득 공정성을 함께 최적화할 수 있는가?
• RQ3 오프라인 및 온라인 설정에서 비선형 소득 공정성 목표를 어떻게 효율적으로 최적화할 수 있는가?
• RQ4 제안된 DIDRF 프레임워크가 시간 인식 소득 매핑하에서 기존 노출-공정성 기준선보다 우수한가?

주요 결과

• 소득 공정성은 소득이 시간 등 맥락에 의존할 때 노출 공정성보다 공급자 유틸리티를 더 잘 포착한다.
• DIDRF는 주기적 및 비주기적 소득 함수에서 오프라인 시뮬레이션 동안 공정성을 일관되게 향상시키면서 효과성을 유지하거나 향상시킨다.
• 온라인 설정에서 DIDRF는 관련성 불확실성을 고려하고 성능을 유지하면서 공정성을 향상시킨다.
• 2차 테일러 전개와 분리 가능한 대체모형으로 구성된 효율적 항목 점수화를 제공하여 대규모 랭킹에 적합한 점수 함수를 도출한다.
• DIDRF는 오프라인 실험에서 MMFair, FARA 및 기타 기준선에 비해 통계적으로 유의미하게 개선을 보이며(p < 0.001) 비교되었다.

(b)