Fugu-MT 論文翻訳(概要): CLEAR: Causal Explanations from Attention in Neural Recommenders

論文の概要: CLEAR: Causal Explanations from Attention in Neural Recommenders

arxiv url: http://arxiv.org/abs/2210.10621v1
Date: Fri, 7 Oct 2022 07:40:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 20:25:34.586266
Title: CLEAR: Causal Explanations from Attention in Neural Recommenders
Title（参考訳）: CLEAR:ニューラルリコメンダにおける注意からの因果説明
Authors: Shami Nisimov, Raanan Y. Rohekar, Yaniv Gurwicz, Guy Koren, Gal Novik
Abstract要約: 本稿では,セッション固有の因果グラフの学習方法であるCLEARを提案する。 C因果グラフは、注意によって捉えられたコンテキスト内のユーザの振る舞いを記述し、推奨に対する反実的な説明を提供する。
参考スコア（独自算出の注目度）: 6.667253099509425
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present CLEAR, a method for learning session-specific causal graphs, in the possible presence of latent confounders, from attention in pre-trained attention-based recommenders. These causal graphs describe user behavior, within the context captured by attention, and can provide a counterfactual explanation for a recommendation. In essence, these causal graphs allow answering "why" questions uniquely for any specific session. Using empirical evaluations we show that, compared to naively using attention weights to explain input-output relations, counterfactual explanations found by CLEAR are shorter and an alternative recommendation is ranked higher in the original top-k recommendations.
Abstract（参考訳）: 本稿では,セッション固有の因果グラフの学習方法であるCLEARについて,事前学習した注意に基づく推薦者の注意から紹介する。これらの因果グラフは、注意によって捉えられたコンテキスト内のユーザの振る舞いを記述し、推奨に対する反実的な説明を提供する。本質的に、これらの因果グラフは特定のセッションに対して「なぜ」質問に一意に答えることができる。経験的評価を用いて,入出力関係を説明するために注意重みを用いるのに比べ,clearによる反事実的説明は短く,従来のtop-kレコメンデーションでは代替的レコメンデーションが上位にランクされることを示した。

関連論文リスト

Path-based summary explanations for graph recommenders (extended version) [2.2789818122188925]
そこで本稿では,ユーザやユーザグループに対して,項目レコメンデーションのセットを受信した理由を説明する要約説明を提案する。また,効率的なグラフアルゴリズムを用いて説明を要約する新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-29T13:10:03Z)
Stability of Explainable Recommendation [10.186029242664931]
既存の特徴指向の説明可能なレコメンデーションの脆弱性について検討する。我々は、全ての説明可能なモデルが騒音レベルの増加に弱いことを観察する。本研究は,レコメンデーションシステムにおけるロバストな説明の話題について,実証的な検証を行った。
論文参考訳（メタデータ） (2024-05-03T04:44:51Z)
Reinforced Path Reasoning for Counterfactual Explainable Recommendation [10.36395995374108]
本稿では,項目属性に基づく反現実的説明を生成するために,CERec を新たに提案する。我々は、与えられた知識グラフのリッチなコンテキスト情報を用いて、適応経路サンプリング器を用いて巨大な探索空間を縮小する。
論文参考訳（メタデータ） (2022-07-14T05:59:58Z)
Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文参考訳（メタデータ） (2022-07-04T17:58:39Z)
Explainability in Music Recommender Systems [69.0506502017444]
音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
論文参考訳（メタデータ） (2022-01-25T18:32:11Z)
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2021-11-24T04:34:26Z)
DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文参考訳（メタデータ） (2021-08-26T16:19:59Z)
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models [26.11434743591804]
説明に対するユーザフィードバックをユーザ好みのペアワイズ学習に活用する,ループ内人間フレームワーク ELIXIR を考案した。 elixirは、レコメンデーションと説明のペアに対するフィードバックを活用して、ユーザ固有の潜在選好ベクトルを学習する。このフレームワークは、ランダムウォークとリスタートによる一般化グラフレコメンデーションを用いてインスタンス化される。
論文参考訳（メタデータ） (2021-02-15T13:43:49Z)
Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文参考訳（メタデータ） (2020-06-03T05:04:38Z)
Reinforcement Learning with Feedback Graphs [69.1524391595912]
エージェントがステップ毎に追加のフィードバックを受けた場合,決定過程におけるエピソード強化学習について検討する。状態-作用対上のフィードバックグラフを用いてこの設定を定式化し、モデルベースのアルゴリズムが追加のフィードバックを利用してよりサンプル効率のよい学習を行うことを示す。
論文参考訳（メタデータ） (2020-05-07T22:35:37Z)

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。