Treppe zur Fairness: Verbindung von Gruppen- und individueller Fairness
Stairway to Fairness: Connecting Group and Individual Fairness
August 29, 2025
papers.authors: Theresia Veronika Rampisela, Maria Maistro, Tuukka Ruotsalo, Falk Scholer, Christina Lioma
cs.AI
papers.abstract
Fairness in Recommender-Systemen (RS) wird üblicherweise in Gruppenfairness und individuelle Fairness kategorisiert. Es gibt jedoch kein etabliertes wissenschaftliches Verständnis der Beziehung zwischen diesen beiden Fairness-Typen, da frühere Arbeiten zu beiden Typen unterschiedliche Bewertungsmaßstäbe oder Bewertungsziele verwendet haben, was einen angemessenen Vergleich der beiden nicht ermöglichte. Infolgedessen ist derzeit nicht bekannt, wie die Erhöhung eines Fairness-Typs den anderen beeinflussen könnte. Um diese Lücke zu schließen, untersuchen wir die Beziehung zwischen Gruppen- und individueller Fairness durch einen umfassenden Vergleich von Bewertungsmaßstäben, die für beide Fairness-Typen verwendet werden können. Unsere Experimente mit 8 Durchläufen über 3 Datensätze zeigen, dass Empfehlungen, die für Gruppen sehr fair sind, für Einzelpersonen sehr unfair sein können. Unsere Erkenntnis ist neu und nützlich für RS-Praktiker, die die Fairness ihrer Systeme verbessern möchten. Unser Code ist verfügbar unter: https://github.com/theresiavr/stairway-to-fairness.
English
Fairness in recommender systems (RSs) is commonly categorised into group
fairness and individual fairness. However, there is no established scientific
understanding of the relationship between the two fairness types, as prior work
on both types has used different evaluation measures or evaluation objectives
for each fairness type, thereby not allowing for a proper comparison of the
two. As a result, it is currently not known how increasing one type of fairness
may affect the other. To fill this gap, we study the relationship of group and
individual fairness through a comprehensive comparison of evaluation measures
that can be used for both fairness types. Our experiments with 8 runs across 3
datasets show that recommendations that are highly fair for groups can be very
unfair for individuals. Our finding is novel and useful for RS practitioners
aiming to improve the fairness of their systems. Our code is available at:
https://github.com/theresiavr/stairway-to-fairness.