論文の概要: Collaborative Filtering under Model Uncertainty
- arxiv url: http://arxiv.org/abs/2008.10117v2
- Date: Tue, 25 Aug 2020 02:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 02:45:58.956557
- Title: Collaborative Filtering under Model Uncertainty
- Title(参考訳): モデル不確かさ下における協調フィルタリング
- Authors: Robin M. Schmidt, Moritz Hahn
- Abstract要約: 我々は、マルクス、ピン・カルモン、ウストゥンによる予測的乗法の定義を用いて、このモデルの異なるバリエーションについて検討する。
これらのモデルのほとんどは、可用性の相違やあいまいさという点で非常によく似た結果をもたらす。
- 参考スコア(独自算出の注目度): 2.538209532048867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In their work, Dean, Rich, and Recht create a model to research recourse and
availability of items in a recommender system. We used the definition of
predictive multiplicity by Marx, Pin Calmon, and Ustun to examine different
variations of this model, using different values for two model parameters.
Pairwise comparison of their models show, that most of these models produce
very similar results in terms of discrepancy and ambiguity for the availability
and only in some cases the availability sets differ significantly.
- Abstract(参考訳): 彼らの仕事の中で、Dean、Rich、Rechtは、レコメンダシステムでアイテムのリコースと可用性を研究するモデルを作成しました。
Marx, Pin Calmon, Ustun による予測多重度の定義を用いて, 2つのモデルパラメータの異なる値を用いて, このモデルの異なるバリエーションについて検討した。
ペアで比較すると、これらのモデルのほとんどは、可用性のばらつきとあいまいさの観点から非常によく似た結果をもたらしており、可用性セットが著しく異なる場合もいくつかある。
関連論文リスト
- Aggregation Model Hyperparameters Matter in Digital Pathology [1.8124328823188354]
デジタル病理学は、ギガピクセル全スライディング画像(WSI)の解析を通じて、疾患検出と病理学の効率を著しく向上させた
表現学習の急速な進化に伴い、多くの新しい特徴抽出モデルが登場した。
従来の評価手法は、結果にバイアスを与える可能性のあるフレームワークである、固定集約モデルハイパーパラメータに依存しています。
論文 参考訳(メタデータ) (2023-11-29T16:54:25Z) - Investigating Failures to Generalize for Coreference Resolution Models [93.95952368743919]
本稿では,現在のコア参照解決モデルの誤差が,データセット間での運用方法の相違にどの程度関連しているかを検討する。
具体的には、モデル性能をいくつかのタイプのコア参照に対応するカテゴリに分け、分解する。
このブレークダウンは、異なるコア参照タイプをまたいだ一般化能力において、最先端モデルがどのように異なるかを調べるのに役立ちます。
論文 参考訳(メタデータ) (2023-03-16T05:32:02Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳(メタデータ) (2022-12-19T20:46:43Z) - Investigating Ensemble Methods for Model Robustness Improvement of Text
Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。
適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文 参考訳(メタデータ) (2022-10-28T17:52:10Z) - Combining Diverse Feature Priors [90.74601233745047]
多様な機能事前セットでトレーニングされたモデルには、重複する障害モードが少なくなることを示す。
また、追加(ラベルなし)データでそのようなモデルを共同でトレーニングすることで、互いのミスを修正できることも示しています。
論文 参考訳(メタデータ) (2021-10-15T17:31:10Z) - An Empirical Study of Accuracy, Fairness, Explainability, Distributional
Robustness, and Adversarial Robustness [16.677541058361218]
本稿では、これらの次元に沿った様々な指標のモデルタイプを複数のデータセットで評価するための実証的研究について述べる。
以上の結果から,特定のモデルタイプがすべての次元で良好に機能することが示され,複数の次元に沿って評価されたモデルを選択する際のトレードオフの種類が示される。
論文 参考訳(メタデータ) (2021-09-29T18:21:19Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳(メタデータ) (2021-01-02T02:11:37Z) - Selecting Diverse Models for Scientific Insight [0.12891210250935145]
異なるペナルティ設定が、異なるモデルにおける係数の縮小またはスパーシティを促進するかを示す。
変分を強制するペナルティフォームの選択は、鋼合金組成から積層欠陥エネルギーを予測するために適用される。
論文 参考訳(メタデータ) (2020-06-16T14:06:55Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。