論文の概要: Comprehensive Fair Meta-learned Recommender System

• arxiv url: http://arxiv.org/abs/2206.04789v1
• Date: Thu, 9 Jun 2022 22:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 14:52:41.216471
• Title: Comprehensive Fair Meta-learned Recommender System
• Title（参考訳）: 総合的メタ学習型レコメンダシステム
• Authors: Tianxin Wei, Jingrui He
• Abstract要約: 我々は、メタ学習モデルの公平性を確保するために、CLOVERという、総合的な公正なメタ学習フレームワークを提案する。 我々のフレームワークは、異なるメタ学習レコメンデータシステムに適用可能な、汎用的なトレーニングパラダイムを提供する。
• 参考スコア（独自算出の注目度）: 39.04926584648665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recommender systems, one common challenge is the cold-start problem, where interactions are very limited for fresh users in the systems. To address this challenge, recently, many works introduce the meta-optimization idea into the recommendation scenarios, i.e. learning to learn the user preference by only a few past interaction items. The core idea is to learn global shared meta-initialization parameters for all users and rapidly adapt them into local parameters for each user respectively. They aim at deriving general knowledge across preference learning of various users, so as to rapidly adapt to the future new user with the learned prior and a small amount of training data. However, previous works have shown that recommender systems are generally vulnerable to bias and unfairness. Despite the success of meta-learning at improving the recommendation performance with cold-start, the fairness issues are largely overlooked. In this paper, we propose a comprehensive fair meta-learning framework, named CLOVER, for ensuring the fairness of meta-learned recommendation models. We systematically study three kinds of fairness - individual fairness, counterfactual fairness, and group fairness in the recommender systems, and propose to satisfy all three kinds via a multi-task adversarial learning scheme. Our framework offers a generic training paradigm that is applicable to different meta-learned recommender systems. We demonstrate the effectiveness of CLOVER on the representative meta-learned user preference estimator on three real-world data sets. Empirical results show that CLOVER achieves comprehensive fairness without deteriorating the overall cold-start recommendation performance.
• Abstract（参考訳）: レコメンデーションシステムでは、コールドスタートの問題が一般的な課題であり、システム内の新しいユーザにとってはインタラクションが非常に限られている。 この課題に対処するために、近年多くの研究がメタ最適化のアイデアを推薦シナリオに導入している。 中心となるアイデアは、全ユーザのグローバル共有メタ初期化パラメータを学習し、各ユーザのローカルパラメータに迅速に適応することだ。 様々なユーザの嗜好学習を通じて一般的な知識を導き出すことを目標とし、学習した事前および少量のトレーニングデータを用いて、将来の新規ユーザへの迅速な適応を目指している。 しかし、以前の研究では、リコメンダシステムは一般的にバイアスや不公平に弱いことが示されている。 メタラーニングの成功により、コールドスタートによるレコメンデーションパフォーマンスが向上したが、フェアネスの問題はほとんど見過ごされている。 本稿では,メタ学習モデルの公平性を確保するため,CLOVERという,総合的な公正なメタ学習フレームワークを提案する。 個別公平性,反事実的公平性,集団的公平性という3種類のフェアネスをレコメンダシステムで体系的に検討し,マルチタスク・アドバーサリー・ラーニング・スキームを用いて,これら3つのフェアネスを満たすことを提案する。 我々のフレームワークは、異なるメタ学習レコメンデータシステムに適用可能な汎用的なトレーニングパラダイムを提供する。 CLOVERの3つの実世界のデータセットに対する代表的メタ学習ユーザの嗜好推定に対する効果を示す。 実験結果から,CLOVERは全冷間開始推奨性能を低下させることなく,総合的公正性を実現することが示された。

関連論文リスト

• Understanding Biases in ChatGPT-based Recommender Systems: Provider Fairness, Temporal Stability, and Recency [9.882829614199453]
  本稿では,ChatGPTに基づく推薦システムにおけるバイアスについて考察し,提供者フェアネス(イテム側フェアネス)に着目した。 最初の実験では、トップK推薦の精度と公平性について、7つの異なるプロンプトシナリオを評価した。 フェアネスを「フェアレコメンデーターとしての行動」のようなシステムの役割に組み込むことは、プロンプト内のフェアネスディレクティブよりも効果的であることが証明された。
  論文  参考訳（メタデータ） (2024-01-19T08:09:20Z)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction [14.807495564177252]
  コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。 本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。 本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
  論文  参考訳（メタデータ） (2022-10-28T11:57:58Z)
• Meta Policy Learning for Cold-Start Conversational Recommendation [71.13044166814186]
  メタ強化学習を用いて冷間開始ユーザを対象としたCRSポリシー学習について検討する。 政策適応を容易にするために,3つの相乗成分を設計する。
  論文  参考訳（メタデータ） (2022-05-24T05:06:52Z)
• MetaKG: Meta-learning on Knowledge Graph for Cold-start Recommendation [20.650193619161104]
  知識グラフ(KG)は、相互接続された型付きエンティティとその属性からなる。 メタ学習の成功に触発されて,メタKGと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-08T13:31:14Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Offline Meta-level Model-based Reinforcement Learning Approach for Cold-Start Recommendation [27.17948754183511]
  強化学習は、リコメンデータシステムに対する長期的なユーザの関心を最適化する上で大きな可能性を秘めている。 既存のRLベースのレコメンデーション手法では、ユーザが堅牢なレコメンデーションポリシーを学ぶために、多数のインタラクションが必要である。 本稿では,ユーザ適応の高速化を目的としたメタレベルモデルに基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-04T08:58:35Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。