Post-Training Fairness Control: A Single-Train Framework for Dynamic Fairness in Recommendation

Resumen Técnico: Control de Equidad Post-Entrenamiento (Cofair)

Planteamiento del Problema
Los sistemas de recomendación suelen amplificar los sesgos sociales inherentes a los datos de entrenamiento, afectando desproporcionadamente a los usuarios en función de atributos sensibles como el género o la raza. Aunque los métodos actuales de equidad integran restricciones durante el entrenamiento, estos suelen fijar los requisitos de equidad en esa etapa. En consecuencia, si las necesidades de las partes interesadas evolucionan o difieren entre contextos, se debe reentrenar todo el modelo para acomodar nuevos niveles de equidad. Este proceso de reentrenamiento es computacionalmente prohibitivo y crea un cuello de botella para el despliegue en el mundo real. Además, los intentos recientes de flexibilidad post-entrenamiento a menudo permiten a los usuarios seleccionar qué atributos proteger, pero no logran proporcionar un control detallado sobre cuánta equidad aplicar (es decir, diferentes niveles de equidad) sin necesidad de reentrenar.

Metodología: Marco de Trabajo Cofair
Los autores proponen Cofair, un marco de un solo entrenamiento diseñado para permitir un control de equidad dinámico y post-entrenamiento. La arquitectura central consta de tres componentes principales:

1. Capa de Representación Compartida: Una capa de red neuronal que mapea los embeddings originales de los usuarios en un espacio compartido de menor dimensión. Esta capa captura características y patrones comunes de los usuarios esenciales para equilibrar la precisión y la equidad en todos los escenarios, adhiriéndose a los principios de aprendizaje multitarea para evitar el aprendizaje redundante.
2. Adaptadores Condicionados por la Equidad: Para cada uno de los $T$ niveles de equidad distintos, se emplea un módulo adaptador especializado. Estos adaptadores toman la representación compartida e inyectan ajustes específicos de equidad, lo que permite al modelo producir embeddings de usuario calibrados para grados de equidad específicos ($t \in \{1, \dots, T\}$) sin alterar las características compartidas centrales.
3. Funciones de Pérdida y Regularización:
   • Pérdida de Recomendación: Pérdida de Clasificación Personalizada Bayesiana (BPR) estándar para mantener la precisión del ranking.
   • Pérdida de Equidad Adversaria: Una red adversaria intenta predecir el atributo sensible a partir de los embeddings de los usuarios. El modelo principal minimiza esta pérdida para asegurar que los embeddings sean independientes de los atributos sensibles, sirviendo como un proxy para la Paridad Demográfica (DP).
   • Regularización a Nivel de Usuario: Un término crítico que penaliza los escenarios donde la equidad de un usuario específico se degrada a medida que aumenta el nivel de equidad. Esto asegura una mejora de la equidad monótona para cada usuario individual, no solo en promedio.
   • Ponderación Adaptativa: Un mecanismo automático que ajusta los coeficientes de equidad ($\lambda_t$) durante el entrenamiento basándose en el progreso de la reducción de la pérdida de equidad, eliminando la necesidad de ajuste manual de hiperparámetros para cada nivel.

Contribuciones Teóricas
El artículo proporciona dos garantías teóricas clave:

1. Acotación Superior de la Paridad Demográfica: Los autores demuestran que el objetivo de equidad adversaria acota superiormente la diferencia de paridad demográfica ($\Delta DP$). Minimizar la pérdida adversaria se correlaciona directamente con la reducción de la disparidad de grupo.
2. Equidad Monotónica a Nivel de Usuario: A través del término de regularización a nivel de usuario, el marco garantiza que, a medida que el nivel de equidad $t$ aumenta, el rendimiento de la equidad para cada usuario individual no se degrada ($\Delta DP^{(t+1)}(u) \leq \Delta DP^{(t)}(u)$).

Resultados Experimentales
Los experimentos se realizaron en dos conjuntos de datos (Movielens-1M y Lastfm-360K) utilizando dos modelos base (BPR y LightGCN). Cofair se comparó con líneas base de vanguardia (ComFair, FairRec, FairGo, AFRL).

• Compromisos entre Equidad y Precisión: Cofair logró compromisos de Pareto-óptimos en 15 de las 16 comparaciones. Generó una curva continua de compromisos entre equidad y precisión en una sola pasada de entrenamiento, mientras que las líneas base requirieron múltiples ejecuciones de reentrenamiento para producir curvas similares.
• Rendimiento: Cofair entregó curvas de equidad-precisión comparables o mejores que las líneas base. Logró abarcar un rango más amplio de valores de equidad (DP@10 y EOpp@10) manteniendo una precisión competitiva (Recall@10 y NDCG@10).
• Eficiencia: Aunque Cofair incurre en un tiempo de entrenamiento por época ligeramente superior debido al procesamiento paralelo de los adaptadores, requiere significativamente menos épocas (aproximadamente una quinta parte de las líneas base) para cubrir múltiples niveles de equidad. Esto resulta en ahorros de tiempo totales sustanciales.
• Generalizabilidad: Al integrarse como un módulo plug-and-play con métodos de equidad existentes, Cofair permitió que dichos métodos lograran un control dinámico sin reentrenamiento, mejorando a menudo su eficiencia de Pareto.

Significancia y Reivindicaciones
El artículo afirma que Cofair aborda la inflexibilidad crítica de los enfoques de equidad actuales al desacoplar la selección del nivel de equidad del proceso de entrenamiento. Su principal significancia radica en:

• Eliminación del Reentrenamiento: Elimina el costo computacional de reentrenar modelos para cada nuevo requisito de equidad.
• Garantías Progresivas: Es el primer marco que garantiza teórica y empíricamente la mejora de la equidad monótona a nivel de usuario individual a través de diferentes configuraciones de equidad.
• Despliegue Práctico: Al ofrecer una solución de "un solo entrenamiento, múltiples niveles", proporciona una ruta escalable y práctica para desplegar sistemas de recomendación equitativos en entornos del mundo real dinámicos donde los requisitos de equidad pueden cambiar con el tiempo.

Los autores señalan que, aunque el enfoque actual es la Paridad Demográfica, el marco es lo suficientemente flexible como para acomodar otras nociones de equidad (por ejemplo, Igualdad de Oportunidades) mediante la adaptación del objetivo adversario. El trabajo futuro podría explorar la unificación de múltiples definiciones de equidad dentro de este marco.