論文の概要: Inductive Conformal Recommender System
- arxiv url: http://arxiv.org/abs/2109.08949v1
- Date: Sat, 18 Sep 2021 15:06:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:06:06.459152
- Title: Inductive Conformal Recommender System
- Title(参考訳): 帰納的共形推薦システム
- Authors: Venkateswara Rao Kagita, Arun K Pujari, Vineet Padmanabhan and Vikas
Kumar
- Abstract要約: コンフォメーションレコメンデーションシステムは、ユーザの体験を使って一連のレコメンデーションを出力する。
意味レベル $varepsilon$ が与えられたとき、間違った推奨を行う確率で$varepsilon$ の有界な$varepsilon$ を提供する。
コンフォメーション・レコメンデーション・フレームワークの重要な設計課題の1つは、非整合性尺度とレコメンデーション・アルゴリズムを統合することである。
- 参考スコア(独自算出の注目度): 5.245281641646875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional recommendation algorithms develop techniques that can help people
to choose desirable items. However, in many real-world applications, along with
a set of recommendations, it is also essential to quantify each
recommendation's (un)certainty. The conformal recommender system uses the
experience of a user to output a set of recommendations, each associated with a
precise confidence value. Given a significance level $\varepsilon$, it provides
a bound $\varepsilon$ on the probability of making a wrong recommendation. The
conformal framework uses a key concept called nonconformity measure that
measure the strangeness of an item concerning other items. One of the
significant design challenges of any conformal recommendation framework is
integrating nonconformity measure with the recommendation algorithm. In this
paper, we introduce an inductive variant of a conformal recommender system. We
propose and analyze different nonconformity measures in the inductive setting.
We also provide theoretical proofs on the error-bound and the time complexity.
Extensive empirical analysis on ten benchmark datasets demonstrates that the
inductive variant substantially improves the performance in computation time
while preserving the accuracy.
- Abstract(参考訳): 従来のレコメンデーションアルゴリズムは、人々が望ましいアイテムを選択するのに役立つ技術を開発する。
しかし、現実世界の多くのアプリケーションでは、一連のレコメンデーションとともに、それぞれのレコメンデーション(un)認定を定量化することが不可欠である。
コンフォメーションレコメンデーションシステムは、ユーザの体験を利用して、それぞれに正確な信頼度を関連付ける一連のレコメンデーションを出力する。
意味レベル$\varepsilon$を与えられた場合、間違った推奨を行う確率で有界な$\varepsilon$を提供する。
コンフォメーション・フレームワークは、他のアイテムに関するアイテムの奇妙さを測定する非整合測度と呼ばれる重要な概念を使用する。
コンフォーマルレコメンデーションフレームワークの重要な設計課題の1つは、非共形性尺度とレコメンデーションアルゴリズムを統合することである。
本稿では,共形レコメンデータシステムの帰納的変種を提案する。
インダクティブ・セッティングにおける異なる非整合性対策を提案し解析する。
また、エラーバウンドと時間複雑性に関する理論的証明も提供する。
10のベンチマークデータセットに対する大規模な実験分析により、インダクティブ変種は精度を保ちながら計算時間における性能を大幅に改善することを示した。
関連論文リスト
- 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) - Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。
本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
論文 参考訳(メタデータ) (2024-09-24T21:54:22Z) - End-to-End Learnable Item Tokenization for Generative Recommendation [51.82768744368208]
本稿では,アイテムのトークン化と生成レコメンデーションをシームレスに統合した,新しいエンドツーエンド生成レコメンダであるETEGRecを提案する。
本フレームワークは、アイテムトークン化器と生成レコメンデータで構成されるデュアルエンコーダデコーダアーキテクチャに基づいて開発されている。
論文 参考訳(メタデータ) (2024-09-09T12:11:53Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳(メタデータ) (2024-05-09T12:52:22Z) - Recommendations for Baselines and Benchmarking Approximate Gaussian
Processes [16.99022711189259]
我々は,ユーザがメソッドに何を期待すべきかの仕様に基づいて,GP近似を比較することを推奨する。
本研究では,利用者に選択肢を残さない変奏法を訓練する手法を開発した。
論文 参考訳(メタデータ) (2024-02-15T10:11:28Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - A Simple and Scalable Tensor Completion Algorithm via Latent Invariant
Constraint for Recommendation System [6.125831939376033]
本研究では,ユーザ評価の低さを考慮に入れた,観測不能な個人の嗜好に対するモデルのパラメータを効率的に,かつ正確に学習する手法を提案する。
テンソル分解を1つの潜在不変量で正規化することにより、信頼できるレコメンダシステムに対して3つの特性を達成する。
論文 参考訳(メタデータ) (2022-06-27T15:03:18Z) - Introducing a Framework and a Decision Protocol to Calibrate Recommender
Systems [0.0]
本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。
主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。
本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
論文 参考訳(メタデータ) (2022-04-07T19:30:55Z) - Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。
我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文 参考訳(メタデータ) (2021-06-15T06:59:53Z) - Convolutional Gaussian Embeddings for Personalized Recommendation with
Uncertainty [17.258674767363345]
既存の埋め込みベースのレコメンデーションモデルは、低次元空間における単一の固定点に対応する埋め込みを使用する。
本稿では,不確実な嗜好に適応することが証明されたガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。
本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を計算する。
論文 参考訳(メタデータ) (2020-06-19T02:10:38Z)
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。