論文の概要: Reducing Exposure to Harmful Content via Graph Rewiring

• arxiv url: http://arxiv.org/abs/2306.07930v1
• Date: Mon, 5 Jun 2023 05:35:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:31:44.681443
• Title: Reducing Exposure to Harmful Content via Graph Rewiring
• Title（参考訳）: グラフリワイリングによる有害コンテンツへの露出の低減
• Authors: Corinna Coupette, Stefan Neumann, and Aristides Gionis
• Abstract要約: 本稿では,エッジリワイアリングによる有害コンテンツへの曝露を減らすことの問題点について検討する。 Gamineは、有害なコンテンツへの露出を減らし、レコメンデーションの品質を制約しない、高速なグリージーなアルゴリズムだ。
• 参考スコア（独自算出の注目度）: 19.63612420186462
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Most media content consumed today is provided by digital platforms that aggregate input from diverse sources, where access to information is mediated by recommendation algorithms. One principal challenge in this context is dealing with content that is considered harmful. Striking a balance between competing stakeholder interests, rather than block harmful content altogether, one approach is to minimize the exposure to such content that is induced specifically by algorithmic recommendations. Hence, modeling media items and recommendations as a directed graph, we study the problem of reducing the exposure to harmful content via edge rewiring. We formalize this problem using absorbing random walks, and prove that it is NP-hard and NP-hard to approximate to within an additive error, while under realistic assumptions, the greedy method yields a (1-1/e)-approximation. Thus, we introduce Gamine, a fast greedy algorithm that can reduce the exposure to harmful content with or without quality constraints on recommendations. By performing just 100 rewirings on YouTube graphs with several hundred thousand edges, Gamine reduces the initial exposure by 50%, while ensuring that its recommendations are at most 5% less relevant than the original recommendations. Through extensive experiments on synthetic data and real-world data from video recommendation and news feed applications, we confirm the effectiveness, robustness, and efficiency of Gamine in practice.
• Abstract（参考訳）: 今日消費されるメディアコンテンツのほとんどは、様々なソースからの入力を集約するデジタルプラットフォームによって提供され、情報へのアクセスはレコメンデーションアルゴリズムによって仲介される。 この文脈における主要な課題の1つは、有害と考えられるコンテンツを扱うことである。 競合する利害関係者間のバランスを取るために、有害なコンテンツを完全にブロックするのではなく、アルゴリズム的な推奨によって引き起こされるようなコンテンツへの露出を最小化するアプローチがある。 そこで,メディアアイテムやレコメンデーションを有向グラフとしてモデル化し,エッジリワイリングによる有害コンテンツへの露出を減らす問題を考察する。 ランダムウォークを吸収することでこの問題を定式化し,加法誤差の範囲内で近似することがnpハードかつnpハードであることを証明し,現実的な仮定の下では (1-1/e) 近似を与える。 そこで我々は,有害なコンテンツへの露出を,推奨品質の制約なく抑制できる高速グリージーアルゴリズムであるGamineを紹介した。 数十万のエッジを持つYouTubeグラフ上で100のリライトを実行することで、Gamineは最初の露出を50%削減し、そのレコメンデーションがオリジナルのレコメンデーションよりも5%低いことを保証する。 ビデオレコメンデーションおよびニュースフィードアプリケーションからの合成データおよび実世界のデータに関する広範な実験を通じて、実際にGamineの有効性、堅牢性、効率性を確認する。

関連論文リスト

• T2Vs Meet VLMs: A Scalable Multimodal Dataset for Visual Harmfulness Recognition [24.78672820633581]
  既存の有害なデータセットは、限られた範囲の有害なオブジェクトの存在によってキュレートされる。 これにより、そのようなデータセットに基づいたメソッドの一般化が妨げられ、誤判断につながる可能性がある。 我々は,インターネットからクロールして4つの生成モデルによって生成された1万枚の画像と1,000本の動画からなる包括的有害データセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T15:20:00Z)
• Content-Agnostic Moderation for Stance-Neutral Recommendation [13.210645250173997]
  コンテンツに依存しないモデレーションは、実際のコンテンツが適格化されることに頼らない。 本稿では,コンテンツ機能に頼らずに,コンテンツレコメンデータからのリコメンデーションを変更する2つの新しいコンテンツ非依存モデレーション手法を提案する。 この結果から,直接コンテンツ情報なしでのスタンス中立性の実現は実現可能であるだけでなく,ユーザのエンゲージメントを著しく低下させることなく,よりバランスのとれた情報的レコメンデーションシステムを開発する上でも有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-29T09:50:39Z)
• Latent Graph Inference with Limited Supervision [58.54674649232757]
  潜在グラフ推論(LGI)は、データ特徴から基礎となるグラフ構造とノード表現を共同で学習することを目的としている。 既存のLGI手法は、意味的な監督なしに巨大なエッジウェイトが学習され、トレーニング損失に寄与しない、監督飢餓の問題に悩まされることが一般的である。 本稿では,この問題の原因はグラフスカラー化操作であり,重要なノードとラベル付きノード間の接続を著しく破壊する。
  論文  参考訳（メタデータ） (2023-10-06T15:22:40Z)
• Label Noise: Correcting the Forward-Correction [0.0]
  ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。 ラベルノイズによる過度適合に対処する手法を提案する。 本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
  論文  参考訳（メタデータ） (2023-07-24T19:41:19Z)
• dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
  そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。 提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
  論文  参考訳（メタデータ） (2023-06-02T11:19:50Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• Elastic Weight Removal for Faithful and Abstractive Dialogue Generation [61.40951756070646]
  対話システムは、関連する文書に含まれる知識に忠実な応答を生成するべきである。 多くのモデルは、それと矛盾したり、検証不可能な情報を含んでいる代わりに幻覚応答を生成する。 本手法は,幻覚と抽出反応を同時に阻止するために拡張できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-30T17:40:30Z)
• Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
  機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。 本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。 APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-07-20T16:31:19Z)
• Rewiring What-to-Watch-Next Recommendations to Reduce Radicalization Pathways [17.243069791144084]
  グラフに基づく手法を用いてラジカル化経路を緩和する問題について検討する。 我々は,過激化コンテンツを表すノードの「分離」スコアを,そのノードから非ラジカル化コンテンツを表すノードへのランダムウォークの予測長として測定する。 再配線に最適なレコメンデーションセットを見つけるという問題はNPハードであり、NPハードは任意の要素で近似する。
  論文  参考訳（メタデータ） (2022-02-01T18:27:34Z)
• ACCL: Adversarial constrained-CNN loss for weakly supervised medical image segmentation [1.6942733472657625]
  本稿では, 医用画像の弱いセグメント化のための新しい制約付きCNN損失法である, 対向的制約付きCNN損失法を提案する。 新しいパラダイムでは、事前知識は参照マスクによって符号化され、表現され、セグメンテーション出力に制約を課すためにさらに使用される。 我々の新しいパラダイムは、ネットワークの出力に対する事前知識の付与を大いに促進するだけでなく、より強固で高次制約も提供します。
  論文  参考訳（メタデータ） (2020-05-01T12:16:22Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。