論文の概要: Correcting Exposure Bias for Link Recommendation

• arxiv url: http://arxiv.org/abs/2106.07041v1
• Date: Sun, 13 Jun 2021 16:51:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:46:59.115038
• Title: Correcting Exposure Bias for Link Recommendation
• Title（参考訳）: リンクレコメンデーションのための露出バイアスの補正
• Authors: Shantanu Gupta, Hao Wang, Zachary C. Lipton, Yuyang Wang
• Abstract要約: 露出バイアスは、ユーザーが特定の関連項目に体系的に過小評価されているときに生じる。 このバイアスを軽減するために、既知の露光確率を利用する推定器を提案する。 我々の手法は、推奨論文の研究分野においてより多様性をもたらす。
• 参考スコア（独自算出の注目度）: 31.799185352323807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction methods are frequently applied in recommender systems, e.g., to suggest citations for academic papers or friends in social networks. However, exposure bias can arise when users are systematically underexposed to certain relevant items. For example, in citation networks, authors might be more likely to encounter papers from their own field and thus cite them preferentially. This bias can propagate through naively trained link predictors, leading to both biased evaluation and high generalization error (as assessed by true relevance). Moreover, this bias can be exacerbated by feedback loops. We propose estimators that leverage known exposure probabilities to mitigate this bias and consequent feedback loops. Next, we provide a loss function for learning the exposure probabilities from data. Finally, experiments on semi-synthetic data based on real-world citation networks, show that our methods reliably identify (truly) relevant citations. Additionally, our methods lead to greater diversity in the recommended papers' fields of study. The code is available at https://github.com/shantanu95/exposure-bias-link-rec.
• Abstract（参考訳）: リンク予測手法は、例えば、学術論文やソーシャルネットワークの友人に引用を提案するために、リコメンデーターシステムによく適用される。 しかし、ユーザーが特定の関連項目に対して体系的に過度に露出されると、露出バイアスが発生することがある。 例えば、引用ネットワークでは、著者は自身の分野の論文に遭遇しやすくなり、したがって優先的に引用する。 このバイアスは、ナイーブに訓練されたリンク予測器を通じて伝播し、バイアス評価と高い一般化誤差(真の関連性によって評価される)の両方をもたらす。 さらに、このバイアスはフィードバックループによって悪化する可能性がある。 我々は,このバイアスやフィードバックループを緩和するために,既知の露光確率を利用する推定器を提案する。 次に,データから露光確率を学ぶための損失関数を提供する。 最後に,実世界の引用ネットワークに基づく半合成データを用いた実験により,提案手法が関連する引用を確実に識別することを示す。 さらに,本手法は,推奨論文の研究分野においてより多様性をもたらす。 コードはhttps://github.com/shantanu95/exposure-bias-link-recで入手できる。

関連論文リスト

• Language-guided Detection and Mitigation of Unknown Dataset Bias [23.299264313976213]
  本稿では,キャプションの部分的発生に基づく事前知識のないキーワードとして潜在的なバイアスを識別する枠組みを提案する。 我々のフレームワークは、事前知識のない既存のメソッドよりも優れているだけでなく、事前知識を前提としたメソッドにさえ匹敵する。
  論文  参考訳（メタデータ） (2024-06-05T03:11:33Z)
• Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
  近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。 本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2024-03-15T02:04:35Z)
• Robustly Improving Bandit Algorithms with Confounded and Selection Biased Offline Data: A Causal Approach [18.13887411913371]
  本稿では,エージェントが各アームの報酬分布の推定を改善するために使用可能なオフラインデータにアクセス可能な帯域幅問題について検討する。 我々はバイアスを、それらが示唆する因果構造に基づいて、矛盾するバイアスと選択バイアスに分類する。 我々は、偏りのある観測データから、複合バイアスに対して頑健な各腕の因果関係を抽出する。
  論文  参考訳（メタデータ） (2023-12-20T03:03:06Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• The SAME score: Improved cosine based bias score for word embeddings [49.75878234192369]
  埋め込みにおけるセマンティックバイアスのための新しいバイアススコアであるPetを紹介した。 本研究は,下水道作業における意味バイアスを測定し,社会的バイアスの潜在的な原因を特定することができることを示す。
  論文  参考訳（メタデータ） (2022-03-28T09:28:13Z)
• Towards Automatic Bias Detection in Knowledge Graphs [5.402498799294428]
  本稿では,数値バイアス指標に基づいて,知識グラフの埋め込みにおけるバイアスを識別するフレームワークについて述べる。 本稿では,職業予測の課題に対する3つの異なるバイアス尺度を用いて,この枠組みを説明する。 バイアスを負った関係は、その後の偏見を判断するために意思決定者に渡される。
  論文  参考訳（メタデータ） (2021-09-19T03:58:25Z)
• Uncovering Latent Biases in Text: Method and Application to Peer Review [38.726731935235584]
  本稿では,サブグループメンバーシップ指標の可視性に起因するテキストのバイアスを定量化する新しいフレームワークを提案する。 評価された機械学習会議からのピアレビューのテキストにおけるバイアスの定量化に,我々のフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-10-29T01:24:19Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)

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。