Лестница к справедливости: связь групповой и индивидуальной справедливости
Stairway to Fairness: Connecting Group and Individual Fairness
August 29, 2025
Авторы: Theresia Veronika Rampisela, Maria Maistro, Tuukka Ruotsalo, Falk Scholer, Christina Lioma
cs.AI
Аннотация
Справедливость в рекомендательных системах (RS) обычно классифицируется на групповую справедливость и индивидуальную справедливость. Однако до сих пор не существует устоявшегося научного понимания взаимосвязи между этими двумя типами справедливости, поскольку предыдущие работы по каждому из типов использовали различные метрики оценки или цели оценки, что не позволяет провести корректное сравнение между ними. В результате в настоящее время неизвестно, как повышение одного типа справедливости может повлиять на другой. Чтобы заполнить этот пробел, мы изучаем взаимосвязь групповой и индивидуальной справедливости через всестороннее сравнение метрик оценки, которые могут быть применены к обоим типам справедливости. Наши эксперименты с 8 запусками на 3 наборах данных показывают, что рекомендации, которые являются высоко справедливыми для групп, могут быть крайне несправедливыми для отдельных пользователей. Наше открытие является новым и полезным для практиков рекомендательных систем, стремящихся повысить справедливость своих систем. Наш код доступен по адресу: 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.