論文の概要: T-RECS: A Simulation Tool to Study the Societal Impact of Recommender
Systems
- arxiv url: http://arxiv.org/abs/2107.08959v1
- Date: Mon, 19 Jul 2021 15:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:42:14.440878
- Title: T-RECS: A Simulation Tool to Study the Societal Impact of Recommender
Systems
- Title(参考訳): T-RECS:レコメンダシステムの社会的影響を研究するためのシミュレーションツール
- Authors: Eli Lucherini, Matthew Sun, Amy Winecoff, Arvind Narayanan
- Abstract要約: 我々は、研究者がレコメンデーションシステムをシミュレートするために設計されたオープンソースのPythonパッケージであるT-RECSを紹介する。
本稿では,T-RECSの柔軟性を実証するため,従来の2つのシミュレーションに基づく社会工学研究の再現を行った。
- 参考スコア(独自算出の注目度): 5.592114738742928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation has emerged as a popular method to study the long-term societal
consequences of recommender systems. This approach allows researchers to
specify their theoretical model explicitly and observe the evolution of
system-level outcomes over time. However, performing simulation-based studies
often requires researchers to build their own simulation environments from the
ground up, which creates a high barrier to entry, introduces room for
implementation error, and makes it difficult to disentangle whether observed
outcomes are due to the model or the implementation.
We introduce T-RECS, an open-sourced Python package designed for researchers
to simulate recommendation systems and other types of sociotechnical systems in
which an algorithm mediates the interactions between multiple stakeholders,
such as users and content creators. To demonstrate the flexibility of T-RECS,
we perform a replication of two prior simulation-based research on
sociotechnical systems. We additionally show how T-RECS can be used to generate
novel insights with minimal overhead. Our tool promotes reproducibility in this
area of research, provides a unified language for simulating sociotechnical
systems, and removes the friction of implementing simulations from scratch.
- Abstract(参考訳): シミュレーションは、レコメンダシステムの長期的な社会的影響を研究する一般的な方法として登場した。
このアプローチにより、研究者は理論モデルを明示的に指定し、時間とともにシステムレベルの結果の進化を観察できる。
しかし、シミュレーションベースの研究を行うには、しばしば研究者がゼロから独自のシミュレーション環境を構築する必要があるため、導入障壁が高くなり、実装エラーの余地が生まれ、観察結果がモデルによるものか実装によるものなのかを判断することが難しくなる。
研究者がレコメンデーションシステムや,ユーザやコンテンツクリエーターといった複数の利害関係者間のインタラクションをアルゴリズムが仲介する,他のタイプの社会学的システムをシミュレートするために設計された,オープンソースのpythonパッケージであるt-recsを紹介する。
T-RECSの柔軟性を実証するため,2つの従来のシミュレーションに基づく社会工学研究の再現を行った。
さらに、T-RECSを用いて、オーバーヘッドを最小限に抑えた新しい洞察を生成する方法を示す。
本ツールは,この研究領域における再現性を促進し,社会学的システムをシミュレートするための統一言語を提供し,シミュレーション実装の摩擦をスクラッチから除去する。
関連論文リスト
- MLXP: A framework for conducting replicable Machine Learning eXperiments
in Python [71.22547130430371]
MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
論文 参考訳(メタデータ) (2024-02-21T14:22:20Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳(メタデータ) (2023-05-16T17:31:50Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳(メタデータ) (2023-05-12T14:21:14Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳(メタデータ) (2023-03-03T21:41:01Z) - Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。
まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。
我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文 参考訳(メタデータ) (2022-06-22T19:33:21Z) - Multi-Agent Simulation for AI Behaviour Discovery in Operations Research [0.9137554315375919]
ACE0は、マルチエージェントシミュレーションにおける行動発見のためのAIメソッドの適合性と生存性を評価するプラットフォームである。
本稿では, システムアーキテクチャの技術的概要, 航空宇宙領域における行動発見の事例研究, システムの質的評価について述べる。
論文 参考訳(メタデータ) (2021-08-30T15:14:06Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - Sim-Env: Decoupling OpenAI Gym Environments from Simulation Models [0.0]
強化学習(RL)は、AI研究の最も活発な分野の1つです。
開発方法論はまだ遅れており、RLアプリケーションの開発を促進するための標準APIが不足している。
多目的エージェントベースのモデルと派生した単一目的強化学習環境の分離開発と保守のためのワークフローとツールを提示する。
論文 参考訳(メタデータ) (2021-02-19T09:25:21Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z)
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。