.png){kind=icon}
返回
FairSpace: An Interactive Visualization System for Constructing Fair Consensus from Many Rankings
.png){kind=icon}
PRE
AI
DOI：10.1111/cgf.70132.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
涉及算法排名的决策以多种方式影响我们的生活，从产品推荐、获得奖学金到获得工作。尽管已开发出用于交互式构建公平共识排名的工具，但应对更复杂的现实场景——其中多样化的意见由大量排名集合所代表——仍然是一个挑战。在本文中，我们通过将排名探索重新表述为FairSpace系统中的一个降维问题来解决这些挑战。FairSpace通过并列不同局部和替代全局共识排名的公平性指标，提供了新的视图，包括公平发散视图（Fair Divergence View）和聚类视图（Cluster Views），以辅助排名分析任务。我们通过一系列用例说明了FairSpace的有效性，并通过交互式工作流展示了用户可以通过分组具有相似公平性或效用属性的排名来创建局部共识，随后通过直接操作将局部共识分层聚合为全局共识。我们讨论了FairSpace如何为降维可视化的进步开辟可能性，以促进在基于排名的决策背景下支持公平决策制定的研究领域。代码、数据集和演示视频可获取于：
期刊
IF:
2.9
论文数:
570
被引数:
1.1W
机构
引用论文
uwot: The Uniform Manifold Approximation and Projection (UMAP) Method for Dimensionality Reduction
.png){kind=icon}
PREAI
分享收藏Help or Hinder? Evaluating the Impact of Fairness Metrics and Algorithms in Visualizations for Consensus Ranking帮助还是阻碍？评估公平性指标和算法在共识排名可视化中的影响
OAAI
OAAI分享收藏
分享收藏分享收藏分享收藏
查看更多内容