論文の概要: A Comprehensive Survey on Trustworthy Recommender Systems
- arxiv url: http://arxiv.org/abs/2209.10117v1
- Date: Wed, 21 Sep 2022 04:34:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 15:52:02.232927
- Title: A Comprehensive Survey on Trustworthy Recommender Systems
- Title(参考訳): 信頼に値するレコメンデーションシステムに関する総合調査
- Authors: Wenqi Fan, Xiangyu Zhao, Xiao Chen, Jingran Su, Jingtong Gao, Lin
Wang, Qidong Liu, Yiqi Wang, Han Xu, Lei Chen, Qing Li
- Abstract要約: 本稿では,信頼に値するレコメンダシステム (TRec) の概要について概説する。
それぞれの側面について、最近の技術についてまとめ、信頼性の高いレコメンデータシステムの実現を支援する研究の方向性について論じる。
- 参考スコア(独自算出の注目度): 32.523177842969915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As one of the most successful AI-powered applications, recommender systems
aim to help people make appropriate decisions in an effective and efficient
way, by providing personalized suggestions in many aspects of our lives,
especially for various human-oriented online services such as e-commerce
platforms and social media sites. In the past few decades, the rapid
developments of recommender systems have significantly benefited human by
creating economic value, saving time and effort, and promoting social good.
However, recent studies have found that data-driven recommender systems can
pose serious threats to users and society, such as spreading fake news to
manipulate public opinion in social media sites, amplifying unfairness toward
under-represented groups or individuals in job matching services, or inferring
privacy information from recommendation results. Therefore, systems'
trustworthiness has been attracting increasing attention from various aspects
for mitigating negative impacts caused by recommender systems, so as to enhance
the public's trust towards recommender systems techniques. In this survey, we
provide a comprehensive overview of Trustworthy Recommender systems (TRec) with
a specific focus on six of the most important aspects; namely, Safety &
Robustness, Nondiscrimination & Fairness, Explainability, Privacy,
Environmental Well-being, and Accountability & Auditability. For each aspect,
we summarize the recent related technologies and discuss potential research
directions to help achieve trustworthy recommender systems in the future.
- Abstract(参考訳): 最も成功したaiベースのアプリケーションのひとつとして、レコメンダシステムは、生活のさまざまな側面、特にeコマースプラットフォームやソーシャルメディアサイトといった、さまざまな人間指向のオンラインサービスにおいて、パーソナライズされた提案を提供することによって、効果的かつ効率的な方法で適切な意思決定を支援することを目的としています。
過去数十年間、コメンテーターシステムの急速な発展は、経済的価値を生み出し、時間と労力を節約し、社会的な利益を促進することで、人間に大きな利益をもたらした。
しかし、最近の研究では、データ駆動型レコメンダシステムは、ソーシャルメディアサイトで世論を操作するためにフェイクニュースを広めること、不公平さを増幅すること、ジョブマッチングサービスの少数グループや個人に対して、あるいは推奨結果からプライバシー情報を推測することなど、ユーザーや社会に深刻な脅威をもたらす可能性がある。
そのため、レコメンデーションシステム技術に対する国民の信頼を高めるため、レコメンデーションシステムによるネガティブな影響を緩和する様々な側面から、システムの信頼性が注目されている。
本調査では,信頼に値するレコメンダシステム(TRec)について,安全性とロバスト性,非差別性と公正性,説明可能性,プライバシ,環境保全性,説明可能性と監査性という,最も重要な6つの側面について概観する。
それぞれの側面について,最近の技術について概説し,将来,信頼できるレコメンデーションシステムの実現を支援する研究の方向性について論じる。
関連論文リスト
- Effect of recommending users and opinions on the network connectivity
and idea generation process [0.20718016474717196]
本研究では、リコメンデーションシステムが個人の行動特性がソーシャルネットワークのダイナミクスに与える影響について検討する。
ホモフィリーとユーザによる新しいアイデアへのオープンさ、新しい意見へのレコメンデーションによる露出の相互作用を探求する。
論文 参考訳(メタデータ) (2024-01-29T19:22:24Z) - A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳(メタデータ) (2023-06-01T07:08:22Z) - FairRoad: Achieving Fairness for Recommender Systems with Optimized
Antidote Data [15.555228739298045]
我々は、最適化された解毒剤データ(FairRoad)を用いたフェアレコメンデーションと呼ばれる新しいアプローチを提案する。
提案する解毒剤データ生成アルゴリズムは,少量の解毒剤データを用いたレコメンデータシステムの公正性を著しく向上する。
論文 参考訳(メタデータ) (2022-12-13T17:32:44Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [69.11586678637816]
エージェントのインセンティブを尊重する新しい推薦システムを提案する。
両政策は, エージェントが過度の暴露から保護される, ポストフェアネス基準を満たすことを示す。
論文 参考訳(メタデータ) (2022-11-23T22:20:12Z) - Discussion about Attacks and Defenses for Fair and Robust Recommendation
System Design [0.0]
レコメンデーションシステムは、特定の製品の宣伝やデモを行う偽レビューなど、悪意のあるユーザーの偏見に弱い。
ディープラーニング協調フィルタリングレコメンデーションシステムは、このバイアスに対してより脆弱であることが示されている。
公正と安定のための堅牢なレコメンデーションシステムを設計する必要性について論じる。
論文 参考訳(メタデータ) (2022-09-28T13:00:26Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳(メタデータ) (2022-05-23T08:34:25Z) - Knowledge Transfer via Pre-training for Recommendation: A Review and
Prospect [89.91745908462417]
実験による推薦システムに対する事前学習の利点を示す。
事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
論文 参考訳(メタデータ) (2020-09-19T13:06:27Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳(メタデータ) (2020-04-08T02:11:55Z)
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。