論文の概要: Biases in Scholarly Recommender Systems: Impact, Prevalence, and
Mitigation
- arxiv url: http://arxiv.org/abs/2301.07483v1
- Date: Wed, 18 Jan 2023 12:53:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 15:58:26.901304
- Title: Biases in Scholarly Recommender Systems: Impact, Prevalence, and
Mitigation
- Title(参考訳): 学術レコメンダシステムにおけるバイアス:影響, 有病率, 緩和
- Authors: Michael F\"arber, Melissa Coutinho, Shuzhou Yuan
- Abstract要約: 学術推薦システムのバイアスを分解し、その影響と頻度に応じて特徴付ける。
研究者や開発者が学術推薦システムにおけるバイアスを軽減するために使用できるフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the remarkable increase in the number of scientific entities such as
publications, researchers, and scientific topics, and the associated
information overload in science, academic recommender systems have become
increasingly important for millions of researchers and science enthusiasts.
However, it is often overlooked that these systems are subject to various
biases. In this article, we first break down the biases of academic recommender
systems and characterize them according to their impact and prevalence. In
doing so, we distinguish between biases originally caused by humans and biases
induced by the recommender system. Second, we provide an overview of methods
that have been used to mitigate these biases in the scholarly domain. Based on
this, third, we present a framework that can be used by researchers and
developers to mitigate biases in scholarly recommender systems and to evaluate
recommender systems fairly. Finally, we discuss open challenges and possible
research directions related to scholarly biases.
- Abstract(参考訳): 出版物、研究者、科学トピックなどの科学分野の数が著しく増加し、科学における関連情報過多により、何百万人もの研究者や科学愛好家にとって学術レコメンデーションシステムの重要性が高まっている。
しかし、これらのシステムには様々なバイアスが伴うことがしばしば見過ごされる。
本稿では,まず,学術推薦システムのバイアスを分解し,その影響と頻度に応じて特徴付ける。
その際,人間によって引き起こされるバイアスと,レコメンダシステムによって引き起こされるバイアスとを区別する。
第二に、学術領域におけるこれらのバイアスを軽減するために使われた手法の概要について述べる。
第3に,研究者や開発者が学術推薦システムにおけるバイアスを軽減し,推薦システムの評価を公平に行うためのフレームワークを提案する。
最後に,学術的バイアスに関連するオープン課題と研究の方向性について論じる。
関連論文リスト
- Semantic Properties of cosine based bias scores for word embeddings [52.13994416317707]
本稿では,バイアスの定量化に有効なバイアススコアの要件を提案する。
これらの要件について,コサインに基づくスコアを文献から分析する。
これらの結果は、バイアススコアの制限がアプリケーションケースに影響を及ぼすことを示す実験で裏付けられている。
論文 参考訳(メタデータ) (2024-01-27T20:31:10Z) - Break Out of a Pigeonhole: A Unified Framework for Examining
Miscalibration, Bias, and Stereotype in Recommender Systems [6.209548319476692]
本研究の目的は,レコメンデーションシステムの体系的エラーと,それらが様々なアカウンタビリティ問題にどのように現れるかを明らかにすることである。
本稿では,予測誤りの原因を,様々な種類のシステムに誘発される影響を定量化する重要な指標の集合に識別する統合フレームワークを提案する。
本研究は,システムによる影響と誤校正だけでなく,レコメンデーションシステムにおけるステレオタイピングの問題についても,初めて体系的に検討したものである。
論文 参考訳(メタデータ) (2023-12-29T02:32:12Z) - Targeted Data Augmentation for bias mitigation [0.0]
我々は、TDA(Targeted Data Augmentation)と呼ばれるバイアスに対処するための、新しく効率的なアプローチを導入する。
バイアスを除去する面倒な作業とは異なり、本手法は代わりにバイアスを挿入することを提案し、結果として性能が向上する。
偏見を特定するために,臨床皮膚病変のデータセットと男女の顔のデータセットの2つの多様なデータセットを注釈した。
論文 参考訳(メタデータ) (2023-08-22T12:25:49Z) - A Survey on Popularity Bias in Recommender Systems [4.205692673448206]
我々は、人気バイアスの潜在的な原因について論じ、リコメンデータシステムにおける人気バイアスを検出し、定量化し、緩和するための既存のアプローチをレビューする。
本稿は、主に計算実験に基づいており、推奨項目にロングテール項目を含めることの実践的効果に関する特定の仮定に基づいていることを観察する、今日の文献を批判的に論じる。
論文 参考訳(メタデータ) (2023-08-02T12:58:11Z) - Investigating Bias with a Synthetic Data Generator: Empirical Evidence
and Philosophical Interpretation [66.64736150040093]
機械学習の応用は、私たちの社会でますます広まりつつある。
リスクは、データに埋め込まれたバイアスを体系的に広めることである。
本稿では,特定の種類のバイアスとその組み合わせで合成データを生成するフレームワークを導入することにより,バイアスを分析することを提案する。
論文 参考訳(メタデータ) (2022-09-13T11:18:50Z) - 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) - Pseudo Bias-Balanced Learning for Debiased Chest X-ray Classification [57.53567756716656]
本研究では, バイアスラベルを正確に把握せず, 脱バイアス胸部X線診断モデルの開発について検討した。
本稿では,まずサンプルごとのバイアスラベルをキャプチャし,予測する新しいアルゴリズム,擬似バイアスバランス学習を提案する。
提案手法は他の最先端手法よりも一貫した改善を実現した。
論文 参考訳(メタデータ) (2022-03-18T11:02:18Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳(メタデータ) (2020-02-28T02:26:30Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z) - Modeling and Counteracting Exposure Bias in Recommender Systems [0.0]
本研究では,行列因数分解など,広く用いられている推奨戦略に固有のバイアスについて検討する。
本稿では,リコメンデータシステムのための新しいデバイアス対策を提案する。
その結果,レコメンダシステムにはバイアスがあり,ユーザの事前の露出に依存していることがわかった。
論文 参考訳(メタデータ) (2020-01-01T00:12:34Z)
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。