题 目：Average User-side Counterfactual Fairness for Collaborative Filtering
作 者：Pengyang Shao, Le Wu*, Kun Zhang, Defu Lian, Richang Hong, Yong Li, Meng Wang*
简介: 在协同过滤（Collaborative Filtering，CF）中，用户方面的公平性问题，特别是涉及性别等敏感属性的问题，已经引起了关注。研究人员引入了考虑公平性的CF模型来减少偏见。本研究提出了从因果关系的角度实现公平性的方法，解决了观察反事实场景缺乏干预访问的挑战。通过利用Rubin-Neyman框架来定义敏感属性的平均因果效应，该研究将因果效应的消除与在CF中实现反事实公平性联系起来。该模型使用倾向性重新加权来估计因果效应，并将其整合为正则化项。值得注意的是，这项工作在CF中首创了不需要复杂因果图的反事实公平性方法。
 PDF