論文の概要: Recommendation Unlearning via Matrix Correction
- arxiv url: http://arxiv.org/abs/2307.15960v1
- Date: Sat, 29 Jul 2023 11:36:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 18:25:04.981797
- Title: Recommendation Unlearning via Matrix Correction
- Title(参考訳): マトリックス補正による推薦学習
- Authors: Jiahao Liu, Dongsheng Li, Hansu Gu, Tun Lu, Jiongran Wu, Peng Zhang,
Li Shang, Ning Gu
- Abstract要約: 本稿では,非学習を推奨するためのインタラクション・マッピング・マトリクス補正(IMCorrect)手法を提案する。
IMCorrectは完全性、実用性、効率性が優れており、多くのレコメンデーションアンラーニングシナリオに適用可能であることを示す。
- 参考スコア(独自算出の注目度): 17.457533987238975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems are important for providing personalized services to
users, but the vast amount of collected user data has raised concerns about
privacy (e.g., sensitive data), security (e.g., malicious data) and utility
(e.g., toxic data). To address these challenges, recommendation unlearning has
emerged as a promising approach, which allows specific data and models to be
forgotten, mitigating the risks of sensitive/malicious/toxic user data.
However, existing methods often struggle to balance completeness, utility, and
efficiency, i.e., compromising one for the other, leading to suboptimal
recommendation unlearning. In this paper, we propose an Interaction and Mapping
Matrices Correction (IMCorrect) method for recommendation unlearning. Firstly,
we reveal that many collaborative filtering (CF) algorithms can be formulated
as mapping-based approach, in which the recommendation results can be obtained
by multiplying the user-item interaction matrix with a mapping matrix. Then,
IMCorrect can achieve efficient recommendation unlearning by correcting the
interaction matrix and enhance the completeness and utility by correcting the
mapping matrix, all without costly model retraining. Unlike existing methods,
IMCorrect is a whitebox model that offers greater flexibility in handling
various recommendation unlearning scenarios. Additionally, it has the unique
capability of incrementally learning from new data, which further enhances its
practicality. We conducted comprehensive experiments to validate the
effectiveness of IMCorrect and the results demonstrate that IMCorrect is
superior in completeness, utility, and efficiency, and is applicable in many
recommendation unlearning scenarios.
- Abstract(参考訳): レコメンダシステムは、ユーザにパーソナライズされたサービスを提供するために重要であるが、収集された膨大な量のユーザデータは、プライバシ(機密データなど)、セキュリティ(悪意のあるデータなど)、ユーティリティ(有害データなど)に関する懸念を引き起こしている。
これらの課題に対処するため、レコメンデーションアンラーニングは有望なアプローチとして現れ、特定のデータやモデルを忘れることを可能にし、センシティブ/悪意/有害なユーザデータのリスクを軽減する。
しかし、既存の手法は完全性、実用性、効率のバランスをとるのに苦労することが多い。
本稿では,非学習を推奨するためのインタラクション・マッピング・マトリクス補正(IMCorrect)手法を提案する。
まず,多くのコラボレーティブ・フィルタリング(CF)アルゴリズムをマッピングベースのアプローチとして定式化できることを明らかにする。
そして、IMCorrectは、相互作用行列を補正し、マッピング行列を補正することで、全てコストのかかるモデル再訓練なしに、効率よく非学習を実現することができる。
既存のメソッドとは異なり、IMCorrectはホワイトボックスモデルであり、さまざまなレコメンデーションアンラーニングシナリオを扱う際の柔軟性を提供する。
さらに、新しいデータから漸進的に学習するユニークな能力があり、実用性をさらに向上します。
誤りの有効性を検証するため,総合的な実験を行い,不正確性は完全性,実用性,効率において優れており,多くのレコメンデーション未学習シナリオに適用できることを示した。
関連論文リスト
- Unlearn What You Want to Forget: Efficient Unlearning for LLMs [92.51670143929056]
大規模言語モデル(LLM)は、幅広いテキストデータを事前学習し記憶することで大きな進歩を遂げた。
このプロセスはプライバシー問題やデータ保護規則違反に悩まされる可能性がある。
データ削除後のモデル全体を再トレーニングすることなく、LLMを効率的に更新できる効率的なアンラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-31T03:35:59Z) - Efficient Online Reinforcement Learning with Offline Data [78.92501185886569]
オンライン学習時にオフラインデータを活用するために、既存のオフライン手法を単純に適用できることを示します。
私たちはこれらの設計選択を広範囲に改善し、パフォーマンスに最も影響を与える重要な要因を示します。
これらのシンプルなレコメンデーションの正しい適用によって、既存のアプローチよりも$mathbf2.5times$の改善が得られます。
論文 参考訳(メタデータ) (2023-02-06T17:30:22Z) - Data-Driven Offline Decision-Making via Invariant Representation
Learning [97.49309949598505]
オフラインのデータ駆動意思決定は、アクティブなインタラクションなしで最適化された決定を合成する。
オフラインデータからトレーニングされたモデルへの入力に関して最適化する場合、誤って良いように見えるアウト・オブ・ディストリビューション(OOD)インプットを生成するのは簡単です。
本稿では、オフラインデータ駆動意思決定をドメイン適応として定式化し、最適化された決定値の正確な予測を行うことを目標とする。
論文 参考訳(メタデータ) (2022-11-21T11:01:37Z) - Adapting Triplet Importance of Implicit Feedback for Personalized
Recommendation [43.85549591503592]
インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。
本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。
提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3~21%優れていた。
論文 参考訳(メタデータ) (2022-08-02T19:44:47Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Broad Recommender System: An Efficient Nonlinear Collaborative Filtering
Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。
深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。
7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文 参考訳(メタデータ) (2022-04-20T01:25:08Z) - Recommendation Unlearning [27.99369346343332]
RecEraserは、リコメンデーションタスクに適した汎用的で効率的な機械学習フレームワークである。
まず3つの新しいデータ分割アルゴリズムを設計し、その類似性に基づいてトレーニングデータをバランスの取れたグループに分割する。
3つの公開ベンチマークによる実験結果から、RecEraserは効率的な未学習を達成できるだけでなく、モデルユーティリティの観点から最先端の未学習手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-01-18T08:43:34Z) - Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。
本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
論文 参考訳(メタデータ) (2021-09-02T14:28:46Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳(メタデータ) (2020-08-18T11:44:10Z) - 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) - Fast Adaptively Weighted Matrix Factorization for Recommendation with
Implicit Feedback [28.30678887024847]
信頼度重み付けの割り当て方法と、大量の観測されていないデータを扱う方法は、暗黙のレコメンデーションモデルにおいて2つの重要な問題である。
可変オートエンコーダに基づく高速適応重み付き行列分解法(FAWMF)を提案する。
実世界のデータセットに対する実験は、提案したFAWMFと学習アルゴリズムfBGDの優位性を実証している。
論文 参考訳(メタデータ) (2020-03-04T04:50:44Z)
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。