公平的排名聚合
摘要：公平地排名问题中可能存在对某些个体或群体的偏见或边缘化。本文研究了以公平或多样性为视角的排名和排名聚合问题，其中候选人（被排名者）可能属于不同的群体，并且每个群体在最终排名中应该有公平的代表性。我们允许设计人员设置定义公平代表性的参数。这些参数指定了在排名的前k个位置中允许来自特定群体的候选人数量的范围。给定任何排名，我们提供了一种快速且准确的算法，在区块公平性下找到最接近Kendall tau度量下的公平排名。当只有O（1）个群体时，我们还提供了一个准确的算法，在严格公平性下找到最接近Ulam度量下的公平排名。我们的算法简单、快速，并且可能可扩展到其他相关度量。我们还提供了在公平性框架下的一种新型元算法，用于解决通用排名聚合问题。令人惊讶的是，这种元算法适用于任何广义均值目标（包括中心和中位数问题）和任何公平性准则。作为副产品，我们可以得到针对Kendall tau和Ulam度量下的中心和中位数问题的3-近似算法。此外，利用复杂的技术，我们可以得到对于任意常数ε>0，针对Ulam度量下的强公平性，$(3-ε)$-近似算法。
作者：Diptarka Chakraborty, Syamantak Das, Arindam Khan and Aditya Subramanian
论文ID：2308.10499
分类：Data Structures and Algorithms
分类简称：cs.DS
提交时间：2023-08-22