論文の概要: From Optimizing Engagement to Measuring Value

• arxiv url: http://arxiv.org/abs/2008.12623v2
• Date: Mon, 19 Jul 2021 16:32:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 21:28:58.388289
• Title: From Optimizing Engagement to Measuring Value
• Title（参考訳）: エンゲージメントの最適化から価値の測定
• Authors: Smitha Milli, Luca Belli, Moritz Hardt
• Abstract要約: 我々は、測定理論の枠組みを用いて、デザイナの価値観に関する規範的な質問に直面する。 私たちは、何百万ものユーザーでTwitterプラットフォームにアプローチを実装しています。
• 参考スコア（独自算出の注目度）: 25.448783703232994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most recommendation engines today are based on predicting user engagement, e.g. predicting whether a user will click on an item or not. However, there is potentially a large gap between engagement signals and a desired notion of "value" that is worth optimizing for. We use the framework of measurement theory to (a) confront the designer with a normative question about what the designer values, (b) provide a general latent variable model approach that can be used to operationalize the target construct and directly optimize for it, and (c) guide the designer in evaluating and revising their operationalization. We implement our approach on the Twitter platform on millions of users. In line with established approaches to assessing the validity of measurements, we perform a qualitative evaluation of how well our model captures a desired notion of "value".
• Abstract（参考訳）: 現在のレコメンデーションエンジンのほとんどは、ユーザーがアイテムをクリックするかどうかの予測など、ユーザのエンゲージメントの予測に基づいています。 しかしながら、エンゲージメント信号と、最適化に値する“価値”という望ましい概念の間には、大きなギャップがある可能性がある。 我々は測定理論の枠組みを用いる。 (a)デザイナーの価値観に関する規範的な質問に直面する。 (b) 目標構成を運用し、直接最適化するために使用できる一般的な潜在変数モデルアプローチを提供する。 (c) 設計者に対して、運用評価及び見直しを指導する。 私たちは、何百万ものユーザーでTwitterプラットフォームにアプローチを実装しています。 測定の有効性を評価するための確立したアプローチに沿って、我々のモデルが「価値」の望ましい概念をいかにうまく捉えているかを定性的に評価する。

関連論文リスト

• Enhancing Recommendation Explanations through User-Centric Refinement [7.640281193938638]
  本稿では、既存の説明可能なレコメンデータモデルによって生成された最初の説明を洗練する新しいパラダイムを提案する。 具体的には,大規模言語モデルに基づくマルチエージェント協調改良フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T12:08:18Z)
• User-item fairness tradeoffs in recommendations [0.7490658564954134]
  ユーザとアイテムの公平度を目標としたリコメンデーションのモデルを構築した。 a) ユーザの嗜好が多様である場合, 「自由」な項目とユーザフェアネスが存在する場合, および, (b) 好ましくない利用者は, 項目フェアネスの制約によって特に不利になる可能性がある。
  論文  参考訳（メタデータ） (2024-12-05T18:59:51Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• A Bayesian Approach to Robust Inverse Reinforcement Learning [54.24816623644148]
  我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。 提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。 本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
  論文  参考訳（メタデータ） (2023-09-15T17:37:09Z)
• Interactive Hyperparameter Optimization in Multi-Objective Problems via Preference Learning [65.51668094117802]
  我々は多目的機械学習(ML)に適した人間中心型対話型HPO手法を提案する。 ユーザが自分のニーズに最も適した指標を推測する代わりに、私たちのアプローチは自動的に適切な指標を学習します。
  論文  参考訳（メタデータ） (2023-09-07T09:22:05Z)
• Unleash the Power of Context: Enhancing Large-Scale Recommender Systems with Context-Based Prediction Models [2.3267858167388775]
  コンテキストベース予測モデルは、ユーザの行動の確率を、ユーザとコンテキストの特徴にのみ依存することによって決定する。 我々は、クリック確率を推定するために補助的なコンテキストベースモデルを訓練することを含む、このモデリングアプローチのための多くの貴重な応用を特定した。
  論文  参考訳（メタデータ） (2023-07-25T07:57:12Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Efficient Real-world Testing of Causal Decision Making via Bayesian Experimental Design for Contextual Optimisation [12.37745209793872]
  文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。 過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
  論文  参考訳（メタデータ） (2022-07-12T01:20:11Z)

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。