Escalier vers l'Équité : Relier l'Équité de Groupe et l'Équité Individuelle
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
L'équité dans les systèmes de recommandation (RS) est généralement classée en équité de groupe et équité individuelle. Cependant, il n'existe pas de compréhension scientifique établie de la relation entre ces deux types d'équité, car les travaux antérieurs sur chacun de ces types ont utilisé des mesures d'évaluation ou des objectifs d'évaluation différents, ne permettant pas une comparaison adéquate des deux. Par conséquent, on ignore actuellement comment l'augmentation d'un type d'équité peut affecter l'autre. Pour combler cette lacune, nous étudions la relation entre l'équité de groupe et l'équité individuelle à travers une comparaison exhaustive des mesures d'évaluation pouvant être utilisées pour les deux types d'équité. Nos expériences, menées sur 8 exécutions réparties sur 3 jeux de données, montrent que les recommandations très équitables pour les groupes peuvent être très inéquitables pour les individus. Cette découverte est nouvelle et utile pour les praticiens des RS cherchant à améliorer l'équité de leurs systèmes. Notre code est disponible à l'adresse suivante : 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.