Fugu-MT 論文翻訳(概要): Investigating the Robustness of Sequential Recommender Systems Against Training Data Perturbations: an Empirical Study

論文の概要: Investigating the Robustness of Sequential Recommender Systems Against Training Data Perturbations: an Empirical Study

arxiv url: http://arxiv.org/abs/2307.13165v1
Date: Mon, 24 Jul 2023 23:26:46 GMT
ステータス: 処理完了
システム内更新日: 2023-07-26 18:41:59.273573
Title: Investigating the Robustness of Sequential Recommender Systems Against Training Data Perturbations: an Empirical Study
Title（参考訳）: トレーニングデータ摂動に対するシーケンスレコメンダシステムのロバスト性の検討--実証的研究
Authors: Filippo Betello, Federico Siciliano, Pushkar Mishra, Fabrizio Silvestri
Abstract要約: SRS(Sequential Recommender Systems)は、ユーザー行動のモデル化に長年にわたって広く用いられてきたが、データトレーニングの摂動に直面した彼らの堅牢性は重要な問題である。本研究では、時間的に順序付けられたシーケンス内の異なる位置でアイテムを除去する効果を実証研究する。以上の結果から,NDCGは60%まで低下する一方,第1,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2,第2の
参考スコア（独自算出の注目度）: 5.758703864119773
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sequential Recommender Systems (SRSs) have been widely used to model user behavior over time, but their robustness in the face of perturbations to training data is a critical issue. In this paper, we conduct an empirical study to investigate the effects of removing items at different positions within a temporally ordered sequence. We evaluate two different SRS models on multiple datasets, measuring their performance using Normalized Discounted Cumulative Gain (NDCG) and Rank Sensitivity List metrics. Our results demonstrate that removing items at the end of the sequence significantly impacts performance, with NDCG decreasing up to 60\%, while removing items from the beginning or middle has no significant effect. These findings highlight the importance of considering the position of the perturbed items in the training data and shall inform the design of more robust SRSs.
Abstract（参考訳）: SRS(Sequential Recommender Systems)は、ユーザー行動のモデル化に広く利用されているが、データトレーニングの摂動に直面した際の堅牢性は重要な問題である。本稿では,時間順列内の異なる位置におけるアイテム除去の効果を検討するために,経験的研究を行う。複数のデータセット上で2つの異なるSRSモデルを評価し,NDCGとランク感性リストを用いて評価を行った。その結果,列末尾の項目の除去は性能に有意な影響を与え,ndcgは最大60\%まで低下するが,初期または中期の項目の除去は有意な影響を及ぼさないことがわかった。これらの知見は、トレーニングデータにおける摂動項目の位置を考慮することの重要性を強調し、より堅牢なSRSの設計を通知する。

関連論文リスト

An Early FIRST Reproduction and Improvements to Single-Token Decoding for Fast Listwise Reranking [50.81324768683995]
FIRSTは、学習からランクへの目的を統合し、最初の生成されたトークンのみのロジットを活用する新しいアプローチである。我々は、FIRSTの評価をTRECディープラーニングデータセット(DL19-22)に拡張し、様々な領域でその堅牢性を検証する。我々の実験は、単一トークンの高速リランクは、ドメイン外リランクの品質を損なうものではないことを確認した。
論文参考訳（メタデータ） (2024-11-08T12:08:17Z)
The Role of Fake Users in Sequential Recommender Systems [0.0]
本研究では,ランダムなインタラクション,人気アイテムや不人気アイテムのフォロー,ひとつのジャンルに着目した偽ユーザの存在が,シーケンスレコメンダシステム(SRS)の性能に与える影響を評価する。 NDCGのような従来の指標は比較的安定しているが、偽ユーザの存在はRSSメトリクスを著しく劣化させ、多くの場合、ほぼゼロの値に低下させる。
論文参考訳（メタデータ） (2024-10-13T17:44:04Z)
Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
論文参考訳（メタデータ） (2024-10-03T15:45:15Z)
PEAR: Position-Embedding-Agnostic Attention Re-weighting Enhances Retrieval-Augmented Generation with Zero Inference Overhead [24.611413814466978]
検索拡張生成(RAG)により強化された大言語モデル(LLM)は、Web検索のための新しいパラダイムを導入した。既存のコンテキスト認識を強化する方法は、しばしば非効率であり、推論中に時間やメモリオーバーヘッドが発生する。そこで我々は,LLMの文脈認識をゼロ推論オーバーヘッドで向上する位置埋め込み非依存再重み付け(PEAR)を提案する。
論文参考訳（メタデータ） (2024-09-29T15:40:54Z)
Bidirectional Decoding: Improving Action Chunking via Closed-Loop Resampling [51.38330727868982]
双方向デコーディング(BID)は、クローズドループ操作で動作チャンキングをブリッジするテスト時間推論アルゴリズムである。 BIDは、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させることを示す。
論文参考訳（メタデータ） (2024-08-30T15:39:34Z)
A Reproducible Analysis of Sequential Recommender Systems [13.987953631479662]
SequentialEnsurer Systems (SRS) はレコメンデーションシステムに対する高度に効率的なアプローチとして登場した。既存の作品では、結果の複製性の欠点が示されており、論文間の矛盾した記述につながっている。当社の作業は、データ前処理とモデル実装の標準化によって、これらのギャップを埋めます。
論文参考訳（メタデータ） (2024-08-07T16:23:29Z)
Dissecting Deep RL with High Update Ratios: Combatting Value Divergence [21.282292112642747]
ネットワークパラメータをリセットすることなく、深層強化学習アルゴリズムが学習能力を維持できることを示す。我々は,大規模な更新率での学習を可能にする,単純な単球正規化を採用している。
論文参考訳（メタデータ） (2024-03-09T19:56:40Z)
REValueD: Regularised Ensemble Value-Decomposition for Factorisable Markov Decision Processes [7.2129390689756185]
離散アクション強化学習アルゴリズムは、高次元の離散アクション空間を持つタスクにしばしば干渉する。本研究は、値分解の効果を深く掘り下げ、対象の分散を増幅することを明らかにする。我々は、ある次元における探索的行動が他の次元における最適な行動の価値に与える影響を軽減するのに役立つ正規化損失を導入する。我々の新しいアルゴリズムREValueDはDeepMind Control Suiteタスクの離散バージョンでテストされ、優れた性能を示している。
論文参考訳（メタデータ） (2024-01-16T21:47:23Z)
Perturbation-Invariant Adversarial Training for Neural Ranking Models: Improving the Effectiveness-Robustness Trade-Off [107.35833747750446]
正統な文書に不可避な摂動を加えることで敵の例を作れますこの脆弱性は信頼性に関する重大な懸念を生じさせ、NRMの展開を妨げている。本研究では,NRMにおける有効・損耗トレードオフに関する理論的保証を確立する。
論文参考訳（メタデータ） (2023-12-16T05:38:39Z)
Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
論文参考訳（メタデータ） (2023-04-04T22:45:50Z)
ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
論文参考訳（メタデータ） (2022-07-14T17:46:37Z)

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。