論文の概要: The Bandwagon Effect: Not Just Another Bias

• arxiv url: http://arxiv.org/abs/2206.12701v1
• Date: Sat, 25 Jun 2022 17:24:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 03:43:46.656952
• Title: The Bandwagon Effect: Not Just Another Bias
• Title（参考訳）: Bandwagon効果:ただのバイアスではない
• Authors: Norman Knyazev and Harrie Oosterhuis
• Abstract要約: バンドワゴン効果は統計バイアスの問題とみなすべきではない。 関係性推定における収束性に関する問題セットを導入し,不整合性を持たせることができることを示す。 この研究は、バンドワゴン効果が、推奨におけるよく研究された選択バイアスと根本的に異なる、未解明のオープンな問題を生じさせることを示すことを目的としている。
• 参考スコア（独自算出の注目度）: 13.579420996461439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing recommender systems based on user interaction data is mainly seen as a problem of dealing with selection bias, where most existing work assumes that interactions from different users are independent. However, it has been shown that in reality user feedback is often influenced by earlier interactions of other users, e.g. via average ratings, number of views or sales per item, etc. This phenomenon is known as the bandwagon effect. In contrast with previous literature, we argue that the bandwagon effect should not be seen as a problem of statistical bias. In fact, we prove that this effect leaves both individual interactions and their sample mean unbiased. Nevertheless, we show that it can make estimators inconsistent, introducing a distinct set of problems for convergence in relevance estimation. Our theoretical analysis investigates the conditions under which the bandwagon effect poses a consistency problem and explores several approaches for mitigating these issues. This work aims to show that the bandwagon effect poses an underinvestigated open problem that is fundamentally distinct from the well-studied selection bias in recommendation.
• Abstract（参考訳）: ユーザインタラクションデータに基づくリコメンデータシステムの最適化は、主に選択バイアスを扱う問題であり、既存の作業の多くは、異なるユーザからのインタラクションが独立していると仮定している。 しかし、実際のユーザフィードバックは、例えば、平均評価や、アイテムごとのビュー数や販売数など、他のユーザの以前のインタラクションの影響を受けやすいことが示されている。 この現象はバンドワゴン効果として知られている。 従来の文献とは対照的に、バンドワゴン効果は統計的バイアスの問題と見なすべきではない。 実際、この効果は個々の相互作用とサンプルの両方が偏りがないことを証明している。 それにもかかわらず、これは推定子を矛盾させる可能性を示し、帰属推定における収束に関する別個の問題を導入する。 本理論解析は,バンドワゴン効果が一貫性問題を引き起こす条件を調査し,これらの問題を緩和するためのいくつかのアプローチを検討する。 この研究は、バンドワゴン効果が、推奨される選択バイアスと根本的に異なる不調査のオープン問題を引き起こすことを示すことを目的としている。

関連論文リスト

• Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference [50.95521705711802]
  従来の研究では、予測モデルの偏りのない学習を実現するために、選択バイアスに対処することに注力してきた。 本稿では、因果推論の観点から、近隣効果を干渉問題として公式に定式化する。 本稿では,近隣効果の存在下で選択バイアスに対処できる新しい理想的損失を提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:20:41Z)
• Robustly Improving Bandit Algorithms with Confounded and Selection Biased Offline Data: A Causal Approach [18.13887411913371]
  本稿では,エージェントが各アームの報酬分布の推定を改善するために使用可能なオフラインデータにアクセス可能な帯域幅問題について検討する。 我々はバイアスを、それらが示唆する因果構造に基づいて、矛盾するバイアスと選択バイアスに分類する。 我々は、偏りのある観測データから、複合バイアスに対して頑健な各腕の因果関係を抽出する。
  論文  参考訳（メタデータ） (2023-12-20T03:03:06Z)
• Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
  既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。 このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。 本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
  論文  参考訳（メタデータ） (2023-11-09T11:29:44Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• Causal Intervention for Fairness in Multi-behavior Recommendation [40.938727601434195]
  異なるユーザ行動(例えば変換率)間の関係は、実際にはアイテムの品質を反映している、と我々は主張する。 本稿では,不公平な問題に対処するため,複数のユーザの行動を考慮した人気バイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2022-09-10T04:21:25Z)
• What's the Harm? Sharp Bounds on the Fraction Negatively Affected by Treatment [58.442274475425144]
  我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。 シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
  論文  参考訳（メタデータ） (2022-05-20T17:36:33Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)

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。