論文の概要: Sustainable transparency in Recommender Systems: Bayesian Ranking of Images for Explainability

• arxiv url: http://arxiv.org/abs/2308.01196v3
• Date: Fri, 07 Mar 2025 12:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:24:47.942945
• Title: Sustainable transparency in Recommender Systems: Bayesian Ranking of Images for Explainability
• Title（参考訳）: Recommenderシステムにおける持続可能な透明性:説明可能性のための画像のベイズランク付け
• Authors: Jorge Paz-Ruza, Amparo Alonso-Betanzos, Berta Guijarro-Berdiñas, Brais Cancela, Carlos Eiras-Franco,
• Abstract要約: 本稿では,ベイジアンペアワイドランキングを利用してトレーニングプロセスを強化する新しいモデルBRIEを提案する。 BRIEは6つの実世界のデータセットにおいて、最先端のモデルよりも一貫して優れています。 モデルサイズを最大64倍に削減し、CO2排出量を最大75%削減する。
• 参考スコア（独自算出の注目度）: 5.126361628588283
• License:
• Abstract: Recommender Systems have become crucial in the modern world, commonly guiding users towards relevant content or products, and having a large influence over the decisions of users and citizens. However, ensuring transparency and user trust in these systems remains a challenge; personalized explanations have emerged as a solution, offering justifications for recommendations. Among the existing approaches for generating personalized explanations, using existing visual content created by users is a promising option to maximize transparency and user trust. State-of-the-art models that follow this approach, despite leveraging highly optimized architectures, employ surrogate learning tasks that do not efficiently model the objective of ranking images as explanations for a given recommendation; this leads to a suboptimal training process with high computational costs that may not be reduced without affecting model performance. This work presents BRIE, a novel model where we leverage Bayesian Pairwise Ranking to enhance the training process, allowing us to consistently outperform state-of-the-art models in six real-world datasets while reducing its model size by up to 64 times and its CO2 emissions by up to 75% in training and inference.
• Abstract（参考訳）: Recommender Systemsは現代の世界では重要であり、一般的にユーザを関連コンテンツや製品に誘導し、ユーザや市民の判断に大きな影響を与えている。 パーソナライズされた説明がソリューションとして現れ、リコメンデーションの正当化を提供する。 パーソナライズされた説明を生成する既存のアプローチの中で、ユーザによって作成された既存のビジュアルコンテンツを使用することは、透明性とユーザ信頼を最大化するための有望な選択肢である。 このアプローチに従う最先端のモデルでは、高度に最適化されたアーキテクチャを活用しながらも、与えられた推奨事項の説明として、画像ランキングの目的を効率的にモデル化しない代理学習タスクを採用する。 BRIEは、ベイジアンペアワイドランキングを活用してトレーニングプロセスを強化する新しいモデルで、6つの実世界のデータセットにおける最先端モデルを一貫して上回り、モデルサイズを最大64倍、CO2排出量を最大75%削減する。

関連論文リスト

• Dynamic Noise Preference Optimization for LLM Self-Improvement via Synthetic Data [51.62162460809116]
  我々は、イテレーション間で一貫した改善を保証するために、動的ノイズ優先最適化(DNPO)を導入します。 Zephyr-7Bでの実験では、DNPOは既存の手法を一貫して上回り、平均性能は2.6%向上した。 DNPOは、GPT-4評価のベースラインに比べて29.4%のウィンロス率差で、モデル生成データの品質が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-02-08T01:20:09Z)
• Recommendation and Temptation [3.734925590025741]
  本稿では、二元的行動を考慮した新しいユーザモデルを提案し、最適な推薦戦略を開発する。 提案手法は,MovieLensデータセットから得られた実世界のデータに基づいて,合成シミュレーションとシミュレーションの両方を用いて評価する。
  論文  参考訳（メタデータ） (2024-12-13T22:44:22Z)
• VLFeedback: A Large-Scale AI Feedback Dataset for Large Vision-Language Models Alignment [55.7956150385255]
  本稿では,視覚言語モデルの整合性向上のためのAIフィードバックの有効性について検討する。 最初の大規模視覚言語フィードバックデータセットであるVLFeedbackを紹介する。 我々は、VLFeedback上で直接選好最適化によって微調整されたLVLMであるSilkieを訓練する。
  論文  参考訳（メタデータ） (2024-10-12T07:56:47Z)
• Self-Taught Evaluators [77.92610887220594]
  本稿では,人工的なトレーニングデータのみを用いて,人間のアノテーションを使わずに即興で証明することを目的としたアプローチを提案する。 我々の自己学習評価器は、RewardBench上で75.4から88.3までの強いLDMを改善することができる。
  論文  参考訳（メタデータ） (2024-08-05T17:57:02Z)
• Positive-Unlabelled Learning for Improving Image-based Recommender System Explainability [2.9748898344267785]
  本研究は,Positive-Unlabelled (PU) Learning技術を活用することで,新たな説明者トレーニングパイプラインを提案する。 実験により、このPUベースのアプローチは、6つの人気のある実世界のデータセットで最先端の非PUメソッド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） (2024-07-09T10:40:31Z)
• Enhancing Large Vision Language Models with Self-Training on Image Comprehension [131.14381425260706]
  本稿では、画像理解に特化して自己学習アプローチを強調する自己学習 on Image (STIC)を紹介する。 まず、ラベルのない画像を用いて、画像記述の好みを自己構築する。 抽出した視覚情報に対する推論をさらに自己改善するため,既存の命令調整データのごく一部をモデルに再利用する。
  論文  参考訳（メタデータ） (2024-05-30T05:53:49Z)
• COURIER: Contrastive User Intention Reconstruction for Large-Scale Visual Recommendation [33.903096803803706]
  我々は、既存のモダリティ機能を超えたさらなる改善のために、推奨に適した視覚的特徴事前学習法が必要であると論じる。 本研究では,行動履歴からユーザ興味に関連する視覚的特徴を抽出する効果的なユーザ意図再構築モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:45:24Z)
• Occlusion-Aware Self-Supervised Monocular 6D Object Pose Estimation [88.8963330073454]
  自己教師付き学習による新しい単眼6次元ポーズ推定手法を提案する。 ノイズの多い学生のトレーニングと差別化可能なレンダリングの現在の傾向を活用して、モデルをさらに自己監督する。 提案する自己超越法は,合成データに依存する他の方法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-19T15:12:06Z)
• Fast Multi-Step Critiquing for VAE-based Recommender Systems [27.207067974031805]
  M&Ms-VAEは、提案と説明のための新しい変分オートエンコーダです。 モデルを弱い監督スキームでトレーニングし、完全および部分的に観察された変数をシミュレートします。 次に、訓練されたM&Ms-VAEモデルの一般化能力を利用して、ユーザの好みと批判を個別に埋め込む。
  論文  参考訳（メタデータ） (2021-05-03T12:26:09Z)
• Learning User Representations with Hypercuboids for Recommender Systems [26.80987554753327]
  我々のモデルは、空間内の一点ではなく、超立方体としてユーザーの興味を明示的にモデル化する。 ユーザの興味の多様性を捉える能力を高めるために,2種類のハイパークボイドを提案する。 また、ユーザのアクティビティシーケンス(例えば、購入とレート)をキャプチャすることで、ユーザの超立方体学習を促進するために、ニューラルアーキテクチャも提案されている。
  論文  参考訳（メタデータ） (2020-11-11T12:50:00Z)
• Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
  説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。 本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:30:48Z)

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。