論文の概要: uCTRL: Unbiased Contrastive Representation Learning via Alignment and Uniformity for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2305.12768v1
• Date: Mon, 22 May 2023 06:55:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 17:48:15.518483
• Title: uCTRL: Unbiased Contrastive Representation Learning via Alignment and Uniformity for Collaborative Filtering
• Title（参考訳）: uCTRL:協調フィルタリングのためのアライメントと一様性による非バイアスコントラスト表現学習
• Authors: Jae-woong Lee, Seongmin Park, Mincheol Yoon, and Jongwuk Lee
• Abstract要約: 協調フィルタリング(CF)モデルは、人気バイアスのあるレコメンデーションリストを得る傾向がある。 この問題を軽減するために,Unbiased ConTrastive Representation Learning (uCTRL)を提案する。 また,ユーザとアイテムの両方のバイアスを除去する新しいIPW推定手法も考案した。
• 参考スコア（独自算出の注目度）: 6.663503238373593
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Because implicit user feedback for the collaborative filtering (CF) models is biased toward popular items, CF models tend to yield recommendation lists with popularity bias. Previous studies have utilized inverse propensity weighting (IPW) or causal inference to mitigate this problem. However, they solely employ pointwise or pairwise loss functions and neglect to adopt a contrastive loss function for learning meaningful user and item representations. In this paper, we propose Unbiased ConTrastive Representation Learning (uCTRL), optimizing alignment and uniformity functions derived from the InfoNCE loss function for CF models. Specifically, we formulate an unbiased alignment function used in uCTRL. We also devise a novel IPW estimation method that removes the bias of both users and items. Despite its simplicity, uCTRL equipped with existing CF models consistently outperforms state-of-the-art unbiased recommender models, up to 12.22% for Recall@20 and 16.33% for NDCG@20 gains, on four benchmark datasets.
• Abstract（参考訳）: 協調フィルタリング(CF)モデルに対する暗黙のユーザーフィードバックが人気のある項目に偏っているため、CFモデルは人気バイアスのある推薦リストを得る傾向がある。 従来の研究では、逆相対性重み付け(IPW)や因果推論を用いてこの問題を緩和してきた。 しかし、それらはポイントワイズまたはペアワイズ損失関数のみを採用し、意味のあるユーザとアイテムの表現を学ぶために対照的な損失関数を採用することを怠る。 本稿では,CFモデルに対するInfoNCE損失関数から得られるアライメントと均一性を最適化するUnbiased ConTrastive Representation Learning (uCTRL)を提案する。 具体的には、uCTRLで使用される非バイアスアライメント関数を定式化する。 また,ユーザとアイテムの両方のバイアスを除去する新しいIPW推定手法も考案した。 その単純さにもかかわらず、既存のCFモデルを装備したuCTRLは、4つのベンチマークデータセットで、Recall@20では12.22%、NDCG@20では16.33%まで、最先端の非バイアスの推奨モデルを上回っている。

関連論文リスト

• Preference Alignment with Flow Matching [23.042382086241364]
  優先フローマッチング(PFM)は、好みに基づく強化学習(PbRL)のための新しいフレームワークである 事前訓練されたモデルの任意のクラスへの好みの統合を合理化する。 提案手法の標準PbRL目標との整合性を支持する理論的知見を提供する。
  論文  参考訳（メタデータ） (2024-05-30T08:16:22Z)
• Marginal Debiased Network for Fair Visual Recognition [59.05212866862219]
  本稿では,デバイアス表現を学習するための新しい限界脱バイアスネットワーク(MDN)を提案する。 我々のMDNは、表現不足のサンプルに対して顕著な性能を達成できる。
  論文  参考訳（メタデータ） (2024-01-04T08:57:09Z)
• Adversarial Collaborative Filtering for Free [27.949683060138064]
  CF(Collaborative Filtering)は、ユーザが関心のある項目を見つけるのに役立つ。 既存の方法はノイズの多いデータ問題に悩まされ、推奨の質に悪影響を及ぼす。 本稿では, 計算コストを犠牲にすることなく, 対向学習を行う簡易かつ効果的な手法として, シャープネス対応協調フィルタリング(CF)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T19:25:38Z)
• Toward a Better Understanding of Loss Functions for Collaborative Filtering [13.581193492311805]
  協調フィルタリング(CF)は現代のレコメンデータシステムにおいて重要な手法である。 最近の研究は、損失関数を単純に再構成するだけで、大幅な性能向上が達成できることを示している。 本稿では、アライメントと均一性の設計を改善する新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2023-08-11T12:04:36Z)
• Bilateral Self-unbiased Learning from Biased Implicit Feedback [10.690479112143658]
  バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。 BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。 大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2022-07-26T05:17:42Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• SimpleX: A Simple and Strong Baseline for Collaborative Filtering [50.30070461560722]
  協調フィルタリング(CF)は、リコメンデータシステムにおいて広く研究されている研究トピックである。 損失関数の選択と負のサンプリング比が同等に重要であることを示す。 我々は、コサインコントラスト損失(CCL)を提案し、これをSimpleXと呼ばれる単純な統合CFモデルに組み込む。
  論文  参考訳（メタデータ） (2021-09-26T14:09:25Z)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
  協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。 さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
  論文  参考訳（メタデータ） (2021-03-10T14:59:23Z)

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。