論文の概要: Debiasing Recommendation by Learning Identifiable Latent Confounders
- arxiv url: http://arxiv.org/abs/2302.05052v2
- Date: Thu, 15 Jun 2023 08:21:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-17 02:16:04.617456
- Title: Debiasing Recommendation by Learning Identifiable Latent Confounders
- Title(参考訳): 身元不明な共同創設者の学習による脱バイアス推薦
- Authors: Qing Zhang, Xiaoying Zhang, Yang Liu, Hongning Wang, Min Gao, Jiheng
Zhang, Ruocheng Guo
- Abstract要約: コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。
既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。
本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
- 参考スコア(独自算出の注目度): 49.16119112336605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation systems aim to predict users' feedback on items not exposed to
them.
Confounding bias arises due to the presence of unmeasured variables (e.g.,
the socio-economic status of a user) that can affect both a user's exposure and
feedback. Existing methods either (1) make untenable assumptions about these
unmeasured variables or (2) directly infer latent confounders from users'
exposure. However, they cannot guarantee the identification of counterfactual
feedback, which can lead to biased predictions. In this work, we propose a
novel method, i.e., identifiable deconfounder (iDCF), which leverages a set of
proxy variables (e.g., observed user features) to resolve the aforementioned
non-identification issue. The proposed iDCF is a general deconfounded
recommendation framework that applies proximal causal inference to infer the
unmeasured confounders and identify the counterfactual feedback with
theoretical guarantees. Extensive experiments on various real-world and
synthetic datasets verify the proposed method's effectiveness and robustness.
- Abstract(参考訳): レコメンデーションシステムは、公開されていないアイテムに対するユーザのフィードバックを予測することを目的としている。
矛盾するバイアスは、測定されていない変数(例えば、ユーザの社会経済的地位)の存在によって生じ、ユーザーの露出とフィードバックの両方に影響を与える。
既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。
しかし、反事実フィードバックの同定は保証できず、偏りのある予測につながる可能性がある。
そこで本研究では,前述の非識別問題を解決するために,一連のプロキシ変数(例えば,ユーザ特徴)を活用する新しい手法,すなわち識別可能なデコノウ(iDCF)を提案する。
提案したiDCFは,不測な共同創設者を推測し,理論的保証とともに反事実的フィードバックを識別するために,近因性推論を適用した一般的な非定型推薦フレームワークである。
様々な実世界および合成データセットに関する大規模な実験は、提案手法の有効性と堅牢性を検証する。
関連論文リスト
- Efficient Conformal Prediction under Data Heterogeneity [81.48629818956351]
コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。
非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。
この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
論文 参考訳(メタデータ) (2023-12-25T20:02:51Z) - Separating and Learning Latent Confounders to Enhancing User Preferences
Modeling [6.839357057621987]
本研究では,過去のフィードバックからユーザの好みを捉え,候補項目に対するユーザ固有のフィードバックを予測するリコメンデータモデルについて検討する。
既存のデバイアスモデルでは,(1)特定のバイアスの解決に特化しているか,(2)ユーザの履歴フィードバックから直接補助情報を取得するかのいずれかである。
我々は,textbfSeparating and textbfLearning Latent Confounders textbfFor textbfRecommendationを提案する。
論文 参考訳(メタデータ) (2023-11-02T08:42:50Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳(メタデータ) (2023-03-11T11:42:26Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳(メタデータ) (2022-09-22T04:32:51Z) - 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) - REST: Debiased Social Recommendation via Reconstructing Exposure
Strategies [21.193238139959078]
我々は、リコメンデーション問題をデファクト推論として定式化し、デバイアスの社会レコメンデーション手法を提案する。
RESTでは、アイテムの露出は、潜伏した露出戦略、ユーザ、およびアイテムによって制御されていると仮定します。
3つの公開データセットと1つのプライベートWeChat Official Accountデータセットを含む4つの実世界のデータセットの実験は、いくつかの最先端メソッドに対する大幅な改善を示している。
論文 参考訳(メタデータ) (2022-01-13T13:14:02Z) - Deep Causal Reasoning for Recommendations [47.83224399498504]
推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。
提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。
MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
論文 参考訳(メタデータ) (2022-01-06T15:00:01Z) - Adversarial Counterfactual Learning and Evaluation for Recommender
System [33.44276155380476]
ユーザ嗜好を検出するために教師付き学習を適用することは、露出情報がない場合に矛盾する結果になる可能性があることを理論的に示す。
ミニマックス経験的リスクの定式化を導入することにより, 基本解を提案する。
論文 参考訳(メタデータ) (2020-11-08T00:40:51Z) - Identifying Causal-Effect Inference Failure with Uncertainty-Aware
Models [41.53326337725239]
本稿では,不確実性推定を最先端のニューラルネットワーク手法のクラスに統合する実践的アプローチを提案する。
提案手法は,高次元データに共通する「非オーバーラップ」の状況に優雅に対処できることを示す。
正確なモデリングの不確実性は、過度に自信を持ち、潜在的に有害なレコメンデーションを与えるのを防ぐことができる。
論文 参考訳(メタデータ) (2020-07-01T00:37:41Z)
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。