Fugu-MT 論文翻訳(概要): Cross-Dataset Propensity Estimation for Debiasing Recommender Systems

論文の概要: Cross-Dataset Propensity Estimation for Debiasing Recommender Systems

arxiv url: http://arxiv.org/abs/2212.13892v1
Date: Thu, 22 Dec 2022 03:04:14 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 14:17:12.565053
Title: Cross-Dataset Propensity Estimation for Debiasing Recommender Systems
Title（参考訳）: Debiasing Recommender システムのクロスデータセット確率推定
Authors: Fengyu Li, Sarah Dean
Abstract要約: 選択バイアスが量子化の異なるデータセットに与える影響について検討する。次に、異なるソース分布から異なる2つの量子化されたデータセットを活用して、分散シフトを緩和する。
参考スコア（独自算出の注目度）: 5.449173263947196
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Datasets for training recommender systems are often subject to distribution shift induced by users' and recommenders' selection biases. In this paper, we study the impact of selection bias on datasets with different quantization. We then leverage two differently quantized datasets from different source distributions to mitigate distribution shift by applying the inverse probability scoring method from causal inference. Empirically, our approach gains significant performance improvement over single-dataset methods and alternative ways of combining two datasets.
Abstract（参考訳）: 推薦システムのトレーニング用データセットは、しばしばユーザの選択バイアスによって引き起こされる分散シフトの影響を受ける。本稿では,選択バイアスが異なる量子化データセットに与える影響について検討する。次に, 因果推論から逆確率スコア法を適用することにより, 異なる音源分布からの2つの異なる量子化データセットを活用し, 分布シフトを緩和する。経験的に、このアプローチはシングルデータセットメソッドや2つのデータセットを組み合わせる別の方法よりも大幅にパフォーマンスが向上する。

関連論文リスト

Calibrated Multi-Preference Optimization for Aligning Diffusion Models [92.90660301195396]
Calibrated Preference Optimization (CaPO) は、テキスト・ツー・イメージ(T2I)拡散モデルを調整する新しい手法である。 CaPOは、人間の注釈のない複数の報酬モデルからの一般的な好みを取り入れている。実験結果から, CaPOは従来法よりも常に優れていたことが示唆された。
論文参考訳（メタデータ） (2025-02-04T18:59:23Z)
Multi-Source Conformal Inference Under Distribution Shift [41.701790856201036]
複数のバイアスのあるデータソースを活用することにより,対象個体数の分布自由な予測区間を得るという課題を考察する。対象集団および源集団における未観測結果の定量値に対する効率的な影響関数を導出する。本稿では、効率向上のための重み付き情報ソースとバイアス低減のための重み付き非情報ソースに対するデータ適応戦略を提案する。
論文参考訳（メタデータ） (2024-05-15T13:33:09Z)
Multiply Robust Estimation for Local Distribution Shifts with Multiple Domains [9.429772474335122]
我々は、全人口の複数のセグメントにまたがってデータ分布が変化するシナリオに焦点を当てる。そこで本研究では,各セグメントのモデル性能を改善するために,二段階多重ロバスト推定法を提案する。本手法は,市販の機械学習モデルを用いて実装されるように設計されている。
論文参考訳（メタデータ） (2024-02-21T22:01:10Z)
Data thinning for convolution-closed distributions [2.299914829977005]
本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
論文参考訳（メタデータ） (2023-01-18T02:47:41Z)
Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文参考訳（メタデータ） (2022-02-22T02:51:11Z)
Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文参考訳（メタデータ） (2021-08-11T21:17:02Z)
Meta-Learning Conjugate Priors for Few-Shot Bayesian Optimization [0.0]
メタラーニングを用いて情報共役の事前分布の推定を自動化する新しい手法を提案する。このプロセスから、元のデータ分布の形状パラメータを推定するために、わずかなデータしか必要としない先行データを生成する。
論文参考訳（メタデータ） (2021-01-03T23:58:32Z)
Bayesian Semi-supervised Crowdsourcing [71.20185379303479]
クラウドソーシングは、大規模なデータセットを効率的にラベル付けし、さまざまな学習タスクを実行するための強力なパラダイムとして登場した。この研究は、半スーパービジョンの2つの体制の下で、半教師付きクラウドソース分類を扱う。
論文参考訳（メタデータ） (2020-12-20T23:18:51Z)
Decorrelated Clustering with Data Selection Bias [55.91842043124102]
本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
論文参考訳（メタデータ） (2020-06-29T08:55:50Z)
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-15T10:08:39Z)
Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
論文参考訳（メタデータ） (2020-06-10T22:32:52Z)

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。