Fugu-MT 論文翻訳(概要): Triplet Losses-based Matrix Factorization for Robust Recommendations

論文の概要: Triplet Losses-based Matrix Factorization for Robust Recommendations

arxiv url: http://arxiv.org/abs/2210.12098v1
Date: Fri, 21 Oct 2022 16:44:59 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 16:13:34.882559
Title: Triplet Losses-based Matrix Factorization for Robust Recommendations
Title（参考訳）: ロバスト勧告のためのトリプルト損失に基づく行列係数化
Authors: Flavio Giobergia
Abstract要約: 複数の三重項損失項を用いてユーザとアイテムの意味表現を抽出する。いくつかの「バイアス認識」評価指標を用いて,これらの表現の音質を実証的に評価した。
参考スコア（独自算出の注目度）: 0.76146285961466
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Much like other learning-based models, recommender systems can be affected by biases in the training data. While typical evaluation metrics (e.g. hit rate) are not concerned with them, some categories of final users are heavily affected by these biases. In this work, we propose using multiple triplet losses terms to extract meaningful and robust representations of users and items. We empirically evaluate the soundness of such representations through several "bias-aware" evaluation metrics, as well as in terms of stability to changes in the training set and agreement of the predictions variance w.r.t. that of each user.
Abstract（参考訳）: 他の学習ベースのモデルと同様に、推奨システムはトレーニングデータのバイアスの影響を受けます。典型的な評価指標(ヒット率など)はそれらに関係しないが、最終的なユーザのカテゴリはこれらのバイアスに大きく影響している。本研究では,複数の三重項損失項を用いてユーザや項目の意味的かつ堅牢な表現を抽出する。本研究では,複数の「バイアス認識」評価指標を用いて,これらの表現の音質を実証的に評価するとともに,トレーニングセットの変化に対する安定性と,各ユーザの予測分散の一致について検討する。

関連論文リスト

Debiased Recommendation with Noisy Feedback [41.38490962524047]
収集データ中のMNARとOMEから予測モデルの非バイアス学習に対する交差点脅威について検討する。まず, OME-EIB, OME-IPS, OME-DR推定器を設計する。
論文参考訳（メタデータ） (2024-06-24T23:42:18Z)
$F_β$-plot -- a visual tool for evaluating imbalanced data classifiers [0.0]
本稿では、一般的なパラメトリック計量である$F_beta$を分析するための簡単なアプローチを提案する。分析された分類器のプールに対して、あるモデルがユーザの要求に応じて好まれるべき場合を示すことができる。
論文参考訳（メタデータ） (2024-04-11T18:07:57Z)
Conformal Prediction in Multi-User Settings: An Evaluation [0.10231119246773925]
マシンラーニングモデルは、ユーザを区別することなく、トレーニングされ、評価される。これにより、マルチユーザ設定で不正確なパフォーマンス指標が生成される。本研究では,複数のマルチユーザ設定における共形予測フレームワークの評価を行った。
論文参考訳（メタデータ） (2023-12-08T17:33:23Z)
Debiasing Learning for Membership Inference Attacks Against Recommender Systems [79.48353547307887]
学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
論文参考訳（メタデータ） (2022-06-24T17:57:34Z)
Understanding Programmatic Weak Supervision via Source-aware Influence Function [76.74549130841383]
Programmatic Weak Supervision (PWS)は、複数の弱い監督ソースのソース投票を確率的トレーニングラベルに集約する。エンドモデルのトレーニング目標を分解し、各(データ、ソース、クラス)に関連する影響を計算するために、インフルエンス関数(IF)を構築します。これらのプリミティブな影響スコアは、ソース投票、監督ソース、トレーニングデータなど、個々のコンポーネントPWSの影響を推定するために使用することができる。
論文参考訳（メタデータ） (2022-05-25T15:57:24Z)
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)
Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文参考訳（メタデータ） (2021-09-13T15:02:55Z)
Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文参考訳（メタデータ） (2021-05-20T08:59:44Z)
A Statistical Analysis of Summarization Evaluation Metrics using Resampling Methods [60.04142561088524]
信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
論文参考訳（メタデータ） (2021-03-31T18:28:14Z)
A Skew-Sensitive Evaluation Framework for Imbalanced Data Classification [11.125446871030734]
不均衡なデータセットのクラス分布スキューは、多数派クラスに対する予測バイアスのあるモデルにつながる可能性がある。本稿では,不均衡なデータ分類のための簡易かつ汎用的な評価フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-12T19:47:09Z)
Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
臨床研究者はしばしばリスク予測モデルの中から選択し評価する。振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
論文参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。