論文の概要: RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems

• arxiv url: http://arxiv.org/abs/2201.04399v1
• Date: Wed, 12 Jan 2022 10:32:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 14:19:59.344107
• Title: RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems
• Title（参考訳）: rgrecsys:レコメンダシステムのロバスト性評価のためのツールキット
• Authors: Zohreh Ovaisi, Shelby Heinecke, Jia Li, Yongfeng Zhang, Elena Zheleva, Caiming Xiong
• Abstract要約: 複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。 本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
• 参考スコア（独自算出の注目度）: 100.54655931138444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust machine learning is an increasingly important topic that focuses on developing models resilient to various forms of imperfect data. Due to the pervasiveness of recommender systems in online technologies, researchers have carried out several robustness studies focusing on data sparsity and profile injection attacks. Instead, we propose a more holistic view of robustness for recommender systems that encompasses multiple dimensions - robustness with respect to sub-populations, transformations, distributional disparity, attack, and data sparsity. While there are several libraries that allow users to compare different recommender system models, there is no software library for comprehensive robustness evaluation of recommender system models under different scenarios. As our main contribution, we present a robustness evaluation toolkit, Robustness Gym for RecSys (RGRecSys -- https://www.github.com/salesforce/RGRecSys), that allows us to quickly and uniformly evaluate the robustness of recommender system models.
• Abstract（参考訳）: ロバスト機械学習は、さまざまな不完全なデータに耐性のあるモデルの開発に焦点を当てる、ますます重要なトピックである。 オンライン技術におけるレコメンダシステムの普及により、研究者はデータスパーシティとプロファイルインジェクション攻撃に焦点を当てたいくつかの堅牢性研究を行った。 代わりに、サブポピュレーション、トランスフォーメーション、分散格差、アタック、データ空間といった複数の次元を包含するリコメンダシステムに対するロバストネスのより包括的な見方を提案する。 ユーザが異なるレコメンダシステムモデルを比較することができるライブラリはいくつかあるが、異なるシナリオ下でレコメンダシステムモデルの包括的な堅牢性評価のためのソフトウェアライブラリはない。 私たちの主な貢献として、ロバストネス評価ツールキットであるロバストネスジム(rgrecsys -https://www.github.com/salesforce/rgrecsys)を紹介します。

関連論文リスト

• Robust Neural Information Retrieval: An Adversarial and Out-of-distribution Perspective [111.58315434849047]
  ニューラルネットワーク検索モデル(IR)モデルの堅牢性は、大きな注目を集めている。 我々は、IRの堅牢性を多面的概念とみなし、敵攻撃、アウト・オブ・ディストリビューション(OOD)シナリオ、パフォーマンスのばらつきに対してその必要性を強調している。 我々は,既存の手法,データセット,評価指標について詳細な議論を行い,大規模言語モデルの時代における課題や今後の方向性に光を当てる。
  論文  参考訳（メタデータ） (2024-07-09T16:07:01Z)
• Towards Robust Recommendation: A Review and an Adversarial Robustness Evaluation Library [27.50051402580845]
  本稿では,レコメンデータシステムの堅牢性について概観する。 本研究では,レコメンダシステムのロバスト性を,対角的ロバストネスと非対角的ロバストネスに分類する。 本稿では,レコメンデータシステムの堅牢性と今後の研究方向性について論じる。
  論文  参考訳（メタデータ） (2024-04-27T09:44:56Z)
• Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
  フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。 我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。 提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
  論文  参考訳（メタデータ） (2024-02-17T12:27:30Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Model-free Reinforcement Learning with Stochastic Reward Stabilization for Recommender Systems [20.395091290715502]
  あるユーザの異なる時間における同じ項目に対するフィードバックはランダムである。 直接フィードバックを教師付きモデルで学んだものと置き換える2つの報酬安定化フレームワークを設計する。
  論文  参考訳（メタデータ） (2023-08-25T08:42:45Z)
• Improving Training Stability for Multitask Ranking Models in Recommender Systems [21.410278930639617]
  YouTubeレコメンデーションのための実世界のマルチタスクランキングモデルのトレーニング安定性を改善する方法について述べる。 既存のソリューションの限界を緩和する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-17T23:04:56Z)
• 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)
• RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
  ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。 我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。 分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
  論文  参考訳（メタデータ） (2020-10-19T17:06:18Z)
• How to compare adversarial robustness of classifiers from a global perspective [0.0]
  敵対的攻撃は、機械学習モデルの信頼性と信頼性を損なう。 特定の脅威モデルのポイントワイド測度は、現在、分類器の堅牢性を比較するための最も一般的なツールである。 本研究では,最近提案されたロバストネス曲線を用いて,ポイントワイド測度が重要なグローバルな特性を捉えることができないことを示す。
  論文  参考訳（メタデータ） (2020-04-22T22:07:49Z)

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。