論文の概要: Causal Structure Learning with Recommendation System
- arxiv url: http://arxiv.org/abs/2210.10256v1
- Date: Wed, 19 Oct 2022 02:31:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 15:30:05.548765
- Title: Causal Structure Learning with Recommendation System
- Title(参考訳): 推薦システムを用いた因果構造学習
- Authors: Shuyuan Xu, Da Xu, Evren Korpeoglu, Sushant Kumar, Stephen Guo, Kannan
Achan, Yongfeng Zhang
- Abstract要約: まず,その基盤となる因果構造を因果構造モデルとして定式化し,提案システムの現実的な作業機構を基盤とした一般的な因果構造学習フレームワークについて述べる。
次に,本フレームワークから学習目標を導出し,効率的な最適化のための拡張ラグランジアンソルバを提案する。
- 参考スコア(独自算出の注目度): 46.90516308311924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A fundamental challenge of recommendation systems (RS) is understanding the
causal dynamics underlying users' decision making. Most existing literature
addresses this problem by using causal structures inferred from domain
knowledge. However, there are numerous phenomenons where domain knowledge is
insufficient, and the causal mechanisms must be learnt from the feedback data.
Discovering the causal mechanism from RS feedback data is both novel and
challenging, since RS itself is a source of intervention that can influence
both the users' exposure and their willingness to interact. Also for this
reason, most existing solutions become inappropriate since they require data
collected free from any RS. In this paper, we first formulate the underlying
causal mechanism as a causal structural model and describe a general causal
structure learning framework grounded in the real-world working mechanism of
RS. The essence of our approach is to acknowledge the unknown nature of RS
intervention. We then derive the learning objective from our framework and
propose an augmented Lagrangian solver for efficient optimization. We conduct
both simulation and real-world experiments to demonstrate how our approach
compares favorably to existing solutions, together with the empirical analysis
from sensitivity and ablation studies.
- Abstract(参考訳): レコメンデーションシステム(RS)の根本的な課題は、ユーザの意思決定を支える因果ダイナミクスを理解することである。
既存の文献の多くは、ドメイン知識から推測される因果構造を用いてこの問題に対処している。
しかし、ドメイン知識が不十分な多くの現象があり、フィードバックデータから因果メカニズムを学習する必要がある。
RS自体がユーザの露出と対話意欲の両方に影響を与える介入の源であるため、RSフィードバックデータから因果関係のメカニズムを明らかにすることは、新規かつ困難である。
そのため、既存の解の多くは、RSから自由に収集されたデータを必要とするため、不適切になる。
本稿では,まず基礎となる因果メカニズムを因果構造モデルとして定式化し,rsの実世界作業機構に基づく汎用因果構造学習フレームワークについて述べる。
私たちのアプローチの本質は、rs介入の未知の性質を認識することです。
次に,学習目標をフレームワークから導出し,効率的な最適化のための拡張ラグランジアン解法を提案する。
シミュレーションと実世界の実験の両方を行い,既存のソリューションと比較し,感度とアブレーションによる経験的分析を行った。
関連論文リスト
- Learning by Doing: An Online Causal Reinforcement Learning Framework
with Causal-Aware Policy [40.33036146207819]
我々は、図形因果モデルを用いて、状態の生成過程を明示的にモデル化することを検討する。
我々は、環境のアクティブな介入学習とRL相互作用プロセスに更新する因果構造を定式化する。
論文 参考訳(メタデータ) (2024-02-07T14:09:34Z) - Discovery of the Hidden World with Large Language Models [100.38157787218044]
COAT: Causal representatiOn AssistanTについて紹介する。
COATは、非構造化データから潜在的な因果因子を抽出する因子プロジェクタとしてLLMを組み込んでいる。
LLMはデータ値の収集に使用される追加情報を提供するよう指示することもできる。
論文 参考訳(メタデータ) (2024-02-06T12:18:54Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Learning a Structural Causal Model for Intuition Reasoning in
Conversation [20.243323155177766]
NLP研究の重要な側面である推論は、一般的なモデルによって適切に対処されていない。
我々は、各発話がどのように情報チャネルを受信し、活性化するかを説明する会話認知モデル(CCM)を開発した。
変分推論を利用することで、暗黙的な原因の代用を探索し、その観測不可能性の問題に対処し、証拠の低い境界を通して発話の因果表現を再構築する。
論文 参考訳(メタデータ) (2023-05-28T13:54:09Z) - Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。
CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。
我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
論文 参考訳(メタデータ) (2021-11-26T10:57:47Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳(メタデータ) (2021-07-02T05:44:56Z) - Interactive Causal Structure Discovery in Earth System Sciences [6.788563219859884]
因果構造発見(CSD)モデルは、地球システム科学を含むいくつかの領域に進出している。
彼らの広範な適応は、結果のモデルが専門家のドメイン知識を考慮していないことが多いという事実によって妨げられている。
我々は、この知識を考慮に入れ、地球系科学にCSDアルゴリズムを適用するために必要となるワークフローを提示する。
論文 参考訳(メタデータ) (2021-07-01T09:23:08Z) - Causal Reinforcement Learning using Observational and Interventional
Data [14.856472820492364]
環境の因果モデルを効率的に学習することは、PMDPで動作するモデルRLエージェントの重要な課題である。
学習エージェントが環境と直接対話することでオンライン体験を収集できるシナリオを考察する。
オンラインとオフラインのエクスペリエンスは、因果モデルを学ぶために安全に組み合わせられるか?
論文 参考訳(メタデータ) (2021-06-28T06:58:20Z)
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。