論文の概要: Recommendation Fairness: From Static to Dynamic

• arxiv url: http://arxiv.org/abs/2109.03150v1
• Date: Sun, 5 Sep 2021 21:38:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:45:14.262715
• Title: Recommendation Fairness: From Static to Dynamic
• Title（参考訳）: レコメンデーションフェアネス:静的から動的へ
• Authors: Dell Zhang and Jun Wang
• Abstract要約: 推薦のための強化学習手法に公平性を組み込む方法について論じる。 我々は、推薦公正性をさらに前進させるために、マルチエージェント(ゲーム理論)最適化、マルチオブジェクト(パレート)最適化を検討すべきかもしれないと論じる。
• 参考スコア（独自算出の注目度）: 12.080824433982993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by the need to capture users' evolving interests and optimize their long-term experiences, more and more recommender systems have started to model recommendation as a Markov decision process and employ reinforcement learning to address the problem. Shouldn't research on the fairness of recommender systems follow the same trend from static evaluation and one-shot intervention to dynamic monitoring and non-stop control? In this paper, we portray the recent developments in recommender systems first and then discuss how fairness could be baked into the reinforcement learning techniques for recommendation. Moreover, we argue that in order to make further progress in recommendation fairness, we may want to consider multi-agent (game-theoretic) optimization, multi-objective (Pareto) optimization, and simulation-based optimization, in the general framework of stochastic games.
• Abstract（参考訳）: ユーザの関心の高まりを捉え、長期的な経験を最適化する必要性によって、より多くの推奨システムは、マルコフ決定プロセスとして推奨をモデル化し、この問題に対処するために強化学習を採用するようになった。 推奨システムの公正性に関する研究は、静的評価とワンショット介入から動的監視、非ストップ制御まで、同じ傾向を辿るべきではないだろうか? 本稿では,まずレコメンダシステムにおける最近の展開を描き,その後,レコメンデーションのための強化学習手法に公平性を組み込む方法について論じる。 さらに,推薦公正性をさらに向上させるためには,確率ゲーム全般の枠組みにおいて,マルチエージェント(ゲーム理論)最適化,マルチオブジェクト(パレート)最適化,シミュレーションに基づく最適化を検討する必要がある。

関連論文リスト

• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Fisher-Weighted Merge of Contrastive Learning Models in Sequential Recommendation [0.0]
  我々は、まず、フィッシャー・マージング法をシークエンシャル・レコメンデーションに適用し、それに関連する実践的な課題に対処し、解決する。 提案手法の有効性を実証し, シーケンシャルラーニングおよびレコメンデーションシステムにおける最先端化の可能性を明らかにする。
  論文  参考訳（メタデータ） (2023-07-05T05:58:56Z)
• A Survey on Fairness-aware Recommender Systems [59.23208133653637]
  本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。 次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-01T07:08:22Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• CausPref: Causal Preference Learning for Out-of-Distribution Recommendation [36.22965012642248]
  現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。 本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。 当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-08T16:42:03Z)
• D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning [0.3058685580689604]
  本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。 提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
  論文  参考訳（メタデータ） (2021-10-28T13:11:29Z)
• Understanding Longitudinal Dynamics of Recommender Systems with Agent-Based Modeling and Simulation [7.98348797868119]
  エージェントベースモデリングとシミュレーション(ABM)技術は、レコメンダシステムのこのような重要な縦方向のダイナミクスを研究するのに利用できる。 本稿では, ABMの原則の概要, 文献に基づく推薦システムのためのシミュレーションフレームワークの概要, そして, このようなABMに基づくシミュレーションフレームワークで対処可能な,様々な実践的な研究課題について論じる。
  論文  参考訳（メタデータ） (2021-08-25T06:28:19Z)
• Fast Multi-Step Critiquing for VAE-based Recommender Systems [27.207067974031805]
  M&Ms-VAEは、提案と説明のための新しい変分オートエンコーダです。 モデルを弱い監督スキームでトレーニングし、完全および部分的に観察された変数をシミュレートします。 次に、訓練されたM&Ms-VAEモデルの一般化能力を利用して、ユーザの好みと批判を個別に埋め込む。
  論文  参考訳（メタデータ） (2021-05-03T12:26:09Z)
• Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect [89.91745908462417]
  実験による推薦システムに対する事前学習の利点を示す。 事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2020-09-19T13:06:27Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。