論文の概要: ExCalibR: Expected Calibration of Recommendations

• arxiv url: http://arxiv.org/abs/2304.12311v1
• Date: Mon, 24 Apr 2023 17:58:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 13:49:35.366567
• Title: ExCalibR: Expected Calibration of Recommendations
• Title（参考訳）: ExCalibR: 勧告の校正を期待
• Authors: Pannagadatta Shivaswamy
• Abstract要約: 項目のカテゴリーごとに校正する問題を考察する。 本稿では,線形プログラミング最適化問題を用いて,妥当性とキャリブレーションのトレードオフをバランスさせる手法を提案する。 実験により,提案された定式化は,他の多くのベースラインよりもはるかに優れたトレードオフが得られることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many recommender systems and search problems, presenting a well balanced set of results can be an important goal in addition to serving highly relevant content. For example, in a movie recommendation system, it may be helpful to achieve a certain balance of different genres, likewise, it may be important to balance between highly popular versus highly personalized shows. Such balances could be thought across many categories and may be required for enhanced user experience, business considerations, fairness objectives etc. In this paper, we consider the problem of calibrating with respect to any given categories over items. We propose a way to balance a trade-off between relevance and calibration via a Linear Programming optimization problem where we learn a doubly stochastic matrix to achieve optimal balance in expectation. We then realize the learned policy using the Birkhoff-von Neumann decomposition of a doubly stochastic matrix. Several optimizations are considered over the proposed basic approach to make it fast. The experiments show that the proposed formulation can achieve a much better trade-off compared to many other baselines. This paper does not prescribe the exact categories to calibrate over (such as genres) universally for applications. This is likely dependent on the particular task or business objective. The main contribution of the paper is that it proposes a framework that can be applied to a variety of problems and demonstrates the efficacy of the proposed method using a few use-cases.
• Abstract（参考訳）: 多くのレコメンデータシステムや検索問題では、高度に関連性の高いコンテンツの提供に加えて、バランスのとれた結果のセットを提示することが重要な目標となる。 例えば、映画のレコメンデーションシステムでは、異なるジャンルの特定のバランスを達成するのに役立つかもしれないし、非常に人気の高い番組と高いパーソナライズされた番組のバランスをとることが重要であるかもしれない。 このようなバランスは、多くのカテゴリで考えることができ、ユーザエクスペリエンスの向上、ビジネス上の考慮、公正な目標などに必要な可能性がある。 本稿では,アイテム上の任意のカテゴリについて,キャリブレーションの問題を考える。 線形プログラミング最適化問題を用いて,2つの確率行列を学習し,期待値の最適バランスを実現することにより,妥当性とキャリブレーションのトレードオフをバランスさせる手法を提案する。 次に,二重確率行列のbirkhoff-von neumann分解を用いて学習方針を実現する。 提案手法を高速化するための最適化がいくつか検討されている。 実験により,提案された定式化は,他の多くのベースラインよりもはるかに優れたトレードオフが得られることが示された。 本論文は,(ジャンルなど)応用を普遍的に校正するための厳密な分類を定めていない。 これはおそらく特定のタスクやビジネスの目的に依存します。 本論文の主な貢献は,様々な問題に適用可能なフレームワークを提案し,いくつかのユースケースを用いて提案手法の有効性を実証することである。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Preference Fine-Tuning of LLMs Should Leverage Suboptimal, On-Policy Data [102.16105233826917]
  好みラベルからの学習は、微調整された大きな言語モデルにおいて重要な役割を果たす。 好みの微調整には、教師付き学習、オンライン強化学習(RL)、コントラスト学習など、いくつかの異なるアプローチがある。
  論文  参考訳（メタデータ） (2024-04-22T17:20:18Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• 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)
• Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation [3.0938904602244355]
  多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。 集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。 本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2020-06-05T22:12:25Z)

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。