論文の概要: Stabilized Doubly Robust Learning for Recommendation on Data Missing Not at Random

• arxiv url: http://arxiv.org/abs/2205.04701v1
• Date: Tue, 10 May 2022 07:04:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 17:48:31.432183
• Title: Stabilized Doubly Robust Learning for Recommendation on Data Missing Not at Random
• Title（参考訳）: ランダムでないデータに対するレコメンデーションのための安定化2倍強固な学習
• Authors: Haoxuan Li, Chunyuan Zheng, Xiao-Hua Zhou, Peng Wu
• Abstract要約: レコメンデーションシステムでは、ユーザはいつでも好きなアイテムを選んで評価する。 本稿では,2重頑健性を維持しつつ,上記の制約に対処する安定化2重頑健性(SDR)推定器を提案する。 さらに,より安定かつ正確な予測を達成し,計算,妥当性,予測モデルを周期的に更新する新しいSDR学習手法を提案する。
• 参考スコア（独自算出の注目度）: 5.916742159203741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recommender systems, users always choose favorite items to rate, which results in data missing not at random and poses a great challenge for unbiased evaluation and learning of prediction models. Currently, the doubly robust (DR) method and its variants have been widely studied and demonstrate superior performance. However, we show that DR methods are unstable to extremely small propensities and rely on extrapolations, resulting in sub-optimal performances. In this paper, we propose a stabilized doubly robust (SDR) estimator to address the above limitations while retaining double robustness. Theoretical analysis shows that SDR has bounded bias, variance and generalization error bound under inaccurate imputed errors and arbitrarily small propensities. In addition, we propose a novel learning approach for SDR that updates the imputation, propensity, and prediction models cyclically, achieving more stable and accurate predictions. Extensive experiments show that our approach significantly outperforms the existing methods.
• Abstract（参考訳）: 推薦システムでは、ユーザは常に好んで評価するアイテムを選択するが、結果としてデータがランダムに失われることはなく、予測モデルのバイアスのない評価と学習には大きな課題となる。 現在、二重ロバスト(DR)法とその変種は広く研究され、優れた性能を示している。 しかし,DR法は極めて小さな確率に対して不安定であり,外挿に頼っていることが示される。 本稿では,2重頑健性を維持しつつ,上記の制約に対処する安定化2重頑健性(SDR)推定器を提案する。 理論的解析により、SDRは不正確な不正確な不正確な誤りと任意に小さな確率の下で有界バイアス、分散、一般化誤差を持つことが示された。 さらに,より安定かつ正確な予測を達成し,計算,妥当性,予測モデルを周期的に更新する新しいSDR学習手法を提案する。 広範な実験により,提案手法が既存の手法を大きく上回ることがわかった。

関連論文リスト

• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Doubly Robust Collaborative Targeted Learning for Recommendation on Data Missing Not at Random [6.563595953273317]
  推薦システムでは、受信したフィードバックデータが常にランダムではない(MNAR)。 本稿では,エラー計算(EIB)法と二重頑健(DR)法の両方の利点を効果的に捉えるbf DR-TMLEを提案する。 我々はまた、bf DR-TMLE-TLと呼ばれるDR-TMLEのための新しいRCT非協調目標学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-19T06:48:50Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
  オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。 近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。 KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:00:44Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
  有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。 我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。 計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-09-23T18:19:58Z)
• Enhanced Doubly Robust Learning for Debiasing Post-click Conversion Rate Estimation [29.27760413892272]
  クリック後の変換は、ユーザの好みを示す強いシグナルであり、レコメンデーションシステムを構築する上で有益である。 現在、ほとんどの既存の手法は、対実学習を利用してレコメンデーションシステムを破壊している。 本稿では,MRDR推定のための新しい二重学習手法を提案し,誤差計算を一般的なCVR推定に変換する。
  論文  参考訳（メタデータ） (2021-05-28T06:59:49Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Weight-of-evidence 2.0 with shrinkage and spline-binning [3.925373521409752]
  分類予測器を変換するための形式化、データ駆動、強力な方法を提案する。 我々は,重み付け手法を拡張し,縮尺推定器を用いて比例を推定することを提案する。 本稿では,提案手法の有効性を示す詐欺検出セットにおける一連の実験結果を示す。
  論文  参考訳（メタデータ） (2021-01-05T13:13:16Z)

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。