一种混合自适应采样策略，用于实现公平且准确的元学习用户建模

《ACM Transactions on Information Systems》：A Hybrid Adaptive Sampling Strategy for Fair and Accurate Meta-learned User Modeling

元学习在用户建模中解决冷启动问题，但存在公平性隐患。FAST框架通过动态调整用户群采样分布提升公平性，并引入FAST+结合个体级混合采样策略优化准确率与公平性平衡。理论分析验证了收敛性，实验证明其在真实数据集上有效。

　　

摘要

用户建模是研究人员捕捉有用潜在特征的重要基础，在推荐系统等各种应用中发挥着关键作用。用户建模中的一个常见挑战是“冷启动”问题，即新用户的互动显著有限。为了解决这个问题，元学习范式被引入到用户建模中，并取得了有希望的结果。元学习就像为新旅行者提供的指南一样，在职业推荐等关键场景中对新用户的决策产生了重要影响。因此，元学习中的公平性问题变得至关重要。已经提出了一些方法来减轻元学习中的不公平现象，并且取得了积极的效果。然而，一个根本性问题尚未得到探讨：导致元学习用户建模不公平的关键因素是什么？通过将元学习范式与群体公平性指标相结合的理论分析，我们确定了群体比例不平衡是一个关键因素。接下来，另一个问题出现了：我们如何减轻这一因素的影响，以提高公平性同时确保准确性？为此，我们引入了一种新颖的、具有公平意识的自适应采样框架，用于元学习，简称FAST。其核心概念是在元学习的交错训练过程中，根据不同用户群体自适应地调整采样分布。此外，我们提供了理论保证，证明了FAST的收敛性，展示了其有效消除不公平现象的潜力。为了确保模型准确性，我们通过引入一种混合采样策略（FAST+）对FAST进行了改进，该策略在个体层面优先考虑公平性，并在采样过程中全面关注重要用户，从而实现了更好的准确性与公平性之间的平衡。最后，我们在真实世界的数据集上进行了广泛的实验，证明了FAST和FAST+框架的有效性。