論文の概要: Uncertainty Calibration for Counterfactual Propensity Estimation in
Recommendation
- arxiv url: http://arxiv.org/abs/2303.12973v1
- Date: Thu, 23 Mar 2023 00:42:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 16:11:09.851199
- Title: Uncertainty Calibration for Counterfactual Propensity Estimation in
Recommendation
- Title(参考訳): 勧告における不確実性校正
- Authors: Wenbo Hu, Xin Sun, Qiang liu, Shu Wu
- Abstract要約: レコメンデーションシステムでは、選択バイアスのために評価の大部分が欠落している。
反事実逆確率スコア (IPS) は, 観測された各評価値の計算誤差の重み付けに用いられた。
複数のシナリオにおいて有効であるが,不確実性推定の不確かさによりIPS推定の性能は制限されていると論じる。
- 参考スコア(独自算出の注目度): 22.323016453910775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recommendation systems, a large portion of the ratings are missing due to
the selection biases, which is known as Missing Not At Random. The
counterfactual inverse propensity scoring (IPS) was used to weight the
imputation error of every observed rating. Although effective in multiple
scenarios, we argue that the performance of IPS estimation is limited due to
the uncertainty miscalibration of propensity estimation. In this paper, we
propose the uncertainty calibration for the propensity estimation in
recommendation systems with multiple representative uncertainty calibration
techniques. Theoretical analysis on the bias and generalization bound shows the
superiority of the calibrated IPS estimator over the uncalibrated one.
Experimental results on the coat and yahoo datasets shows that the uncertainty
calibration is improved and hence brings the better recommendation results.
- Abstract(参考訳): レコメンデーションシステムでは、選択バイアスのために評価の大部分が欠落している。
反事実逆確率スコア (IPS) は, 観測された各評価値の計算誤差の重み付けに用いられた。
複数のシナリオにおいて有効であるが,不確実性推定の不確かさによりIPS推定の性能は制限されていると論じる。
本稿では,複数の代表的不確実性校正手法を用いたレコメンデーションシステムにおける不確実性評価手法を提案する。
偏りと一般化境界の理論解析は、校正されたIPS推定器が未校正値よりも優れていることを示している。
coat と yahoo データセットの実験結果は不確実性校正が改善され、より良い推奨結果をもたらすことを示している。
関連論文リスト
- Doubly Calibrated Estimator for Recommendation on Data Missing Not At
Random [20.889464448762176]
既存の推定器は誤判定された暗黙の誤りと正当性スコアに依存していると我々は主張する。
本稿では,計算モデルと確率モデルの両方のキャリブレーションを含む二重校正推定器を提案する。
論文 参考訳(メタデータ) (2024-02-26T05:08:52Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy
Optimization [63.32053223422317]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
特に、MDP上の分布によって誘導される値の分散を特徴付けることに焦点をあてる。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
論文 参考訳(メタデータ) (2023-12-07T15:55:58Z) - Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳(メタデータ) (2023-10-31T06:19:40Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - U-Calibration: Forecasting for an Unknown Agent [29.3181385170725]
単一のスコアリングルールに対する予測を最適化することは、すべてのエージェントに対して低い後悔を保証できないことを示す。
予測列の最大後悔度に匹敵するU校正と呼ばれる予測を評価するための新しい指標を提案する。
論文 参考訳(メタデータ) (2023-06-30T23:05:26Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - On Calibrated Model Uncertainty in Deep Learning [0.0]
損失校正されたベイジアンフレームワークの近似推論を,ドロップウェイトに基づくベイジアンニューラルネットワークに拡張する。
損失校正された不確実性から得られる決定は、簡単な代替手段よりも、診断性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2022-06-15T20:16:32Z) - T-Cal: An optimal test for the calibration of predictive models [49.11538724574202]
有限検証データセットを用いた予測モデルの誤校正を仮説検証問題として検討する。
誤校正の検出は、クラスの条件付き確率が予測の十分滑らかな関数である場合にのみ可能である。
我々は、$ell$-Expected Error(ECE)のデバイアスドプラグイン推定器に基づくキャリブレーションのためのミニマックステストであるT-Calを提案する。
論文 参考訳(メタデータ) (2022-03-03T16:58:54Z) - Identifying Incorrect Classifications with Balanced Uncertainty [21.130311978327196]
不確実性推定は、コストに敏感なディープラーニングアプリケーションには不可欠である。
本研究では,不確実性推定における不均衡を2種類の分布バイアスとしてモデル化するための分布不均衡を提案する。
そこで我々は,新たな分布的焦点損失目標を持つ不確実性推定器を学習する,バランスト・トゥルー・クラス確率フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-15T11:52:31Z) - The Aleatoric Uncertainty Estimation Using a Separate Formulation with
Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。
本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。
提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文 参考訳(メタデータ) (2020-11-03T12:11:27Z) - CRUDE: Calibrating Regression Uncertainty Distributions Empirically [4.552831400384914]
機械学習における校正された不確実性推定は、自動運転車、医療、天気予報、気候予報など多くの分野において重要である。
本稿では,特定の不確実性分布を仮定しない回帰設定のキャリブレーション手法を提案する: 回帰不確実性分布のキャリブレーション(CRUDE)。
CRUDEは、最先端技術よりも、一貫してシャープで、校正され、正確な不確実性の推定値を示す。
論文 参考訳(メタデータ) (2020-05-26T03:08:43Z)
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。