論文の概要: Sequential Nature of Recommender Systems Disrupts the Evaluation Process

• arxiv url: http://arxiv.org/abs/2205.13681v1
• Date: Thu, 26 May 2022 23:56:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 14:39:56.097673
• Title: Sequential Nature of Recommender Systems Disrupts the Evaluation Process
• Title（参考訳）: レコメンダシステムのシークエンシャルな性質が評価過程を乱す
• Authors: Ali Shirali
• Abstract要約: 我々は,一般的な評価プロセスに対して,敵攻撃を用いることを提案する。 シーケンシャル・アウェア・ブースティング・アタック(Sequence-aware boosting attack)を提案する。 そこで本研究では,MovieLense-100kデータセットの評価プロセスに$sim1%$が適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Datasets are often generated in a sequential manner, where the previous samples and intermediate decisions or interventions affect subsequent samples. This is especially prominent in cases where there are significant human-AI interactions, such as in recommender systems. To characterize the importance of this relationship across samples, we propose to use adversarial attacks on popular evaluation processes. We present sequence-aware boosting attacks and provide a lower bound on the amount of extra information that can be exploited from a confidential test set solely based on the order of the observed data. We use real and synthetic data to test our methods and show that the evaluation process on the MovieLense-100k dataset can be affected by $\sim1\%$ which is important when considering the close competition. Codes are publicly available.
• Abstract（参考訳）: データセットはしばしばシーケンシャルな方法で生成され、前回のサンプルと中間的な決定や介入がその後のサンプルに影響を与える。 これは、リコメンデータシステムなど、人間とAIの相互作用が顕著な場合に特に顕著である。 サンプル間でのこの関係の重要性を特徴付けるために,一般的な評価プロセスにおいて逆攻撃を用いることを提案する。 本稿では,観測データの順序のみに基づいて設定した秘密テストから活用可能な追加情報量について,シーケンス認識型ブースティング攻撃を提案する。 提案手法をテストするために,実データと合成データを用いて,MovieLense-100kデータセットの評価プロセスが,近い競合を考える上で重要な$\sim1\%$に影響されることを示す。 コードは公開されている。

関連論文リスト

• Data Distribution Valuation [56.71023681599737]
  既存のデータバリュエーションメソッドは、離散データセットの値を定義します。 多くのユースケースでは、ユーザはデータセットの値だけでなく、データセットがサンプリングされた分布の値にも興味を持っています。 本稿では,理論的原理と実行可能なポリシを実現するための,MMDに基づく評価手法を提案する。
  論文  参考訳（メタデータ） (2024-10-06T07:56:53Z)
• Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations [0.8437187555622164]
  逐次リコメンデータシステムは、ユーザの履歴におけるインタラクションの順序を利用して、将来のインタラクションを予測することを目的としている。 シーケンシャルな構造を示すデータセットを使用して、シーケンシャルなレコメンデータを適切に評価することが重要です。 本研究では,ユーザの対話列のランダムシャッフルに基づくいくつかの手法を適用し,15個のデータセットの連続構造の強度を評価する。
  論文  参考訳（メタデータ） (2024-08-21T21:40:07Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• Automatic Debiased Learning from Positive, Unlabeled, and Exposure Data [11.217084610985674]
  本稿では,正・未ラベルデータ(PU分類)からの二項分類の問題に,正のデータの選択バイアスを伴って対処する。 このシナリオは、レコメンダシステムのような多くの実用的なアプリケーションのための概念的なフレームワークを表している。 本稿では,強い無知性仮定を用いて関心の関数を同定し,ADPUE(Automatic Debiased PUE)学習法を開発する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-08T18:45:22Z)
• Reinforced Approximate Exploratory Data Analysis [7.974685452145769]
  まず,対話型データ探索環境におけるサンプリングの影響について検討し,近似誤差を導入する。 本稿では, サンプル選択を最適化し, 分析および洞察フローの持続性を維持するための, 深層強化学習(DRL)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-12T20:20:22Z)
• A Novel Dataset for Evaluating and Alleviating Domain Shift for Human Detection in Agricultural Fields [59.035813796601055]
  トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。 我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
  論文  参考訳（メタデータ） (2022-09-27T07:04:28Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Enhancing Counterfactual Classification via Self-Training [9.484178349784264]
  本研究では, 擬似ラベルによるランダム化試行をシミュレートするために, 観測データ中の有限未確認動作に対して, カテゴリ値で結果を示唆する自己学習アルゴリズムを提案する。 提案アルゴリズムは,合成データセットと実データセットの両方において有効であることを示す。
  論文  参考訳（メタデータ） (2021-12-08T18:42:58Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)

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。