Key points are not available for this paper at this time.
O trade-off entre relevância e justeza em recomendações personalizadas tem sido explorado em trabalhos recentes, com o objetivo de minimizar a discriminação aprendida em relação a certos grupos demográficos, enquanto ainda produz resultados relevantes. Apresentamos uma variação consciente de justeza do método de reclassificação de Relevância Marginal Máxima (MMR) que utiliza representações de grupos demográficos computadas usando um conjunto de dados rotulados. Este método é destinado a incorporar justeza em relação a esses grupos demográficos. Realizamos um experimento em um conjunto de dados de fotos de estoque e examinamos a troca entre relevância e justeza em relação a uma base conhecida, MMR, utilizando o julgamento humano para examinar os resultados da reclassificação ao usar diferentes frações de um conjunto de dados rotulados e realizando uma análise quantitativa nos resultados classificados de um conjunto de imagens de consulta. Mostramos que nosso método proposto pode incorporar justeza nos resultados classificados enquanto obtém maior precisão do que a base, enquanto nosso estudo de caso mostra que mesmo uma quantidade limitada de dados rotulados pode ser usada para calcular as representações para obter justeza. Este método pode ser utilizado como uma etapa de pós-processamento para sistemas de recomendação e busca.
Karako et al. (Mon,) estudaram esta questão.