論文の概要: A Lightweight Method for Modeling Confidence in Recommendations with
Learned Beta Distributions
- arxiv url: http://arxiv.org/abs/2308.03186v1
- Date: Sun, 6 Aug 2023 18:35:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 16:13:09.395649
- Title: A Lightweight Method for Modeling Confidence in Recommendations with
Learned Beta Distributions
- Title(参考訳): 学習したベータ分布を用いた推薦の信頼度モデリングのための軽量手法
- Authors: Norman Knyazev and Harrie Oosterhuis
- Abstract要約: 信頼度を明示した簡易かつ実践的な推薦手法として学習ベータ分布(LBD)を提案する。
以上の結果から,LBDは既存の手法と競合する精度を維持しつつ,精度と信頼性の相関が著しく強いことが示唆された。
- 参考スコア(独自算出の注目度): 13.579420996461439
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most Recommender Systems (RecSys) do not provide an indication of confidence
in their decisions. Therefore, they do not distinguish between recommendations
of which they are certain, and those where they are not. Existing confidence
methods for RecSys are either inaccurate heuristics, conceptually complex or
computationally very expensive. Consequently, real-world RecSys applications
rarely adopt these methods, and thus, provide no confidence insights in their
behavior. In this work, we propose learned beta distributions (LBD) as a simple
and practical recommendation method with an explicit measure of confidence. Our
main insight is that beta distributions predict user preferences as probability
distributions that naturally model confidence on a closed interval, yet can be
implemented with the minimal model-complexity. Our results show that LBD
maintains competitive accuracy to existing methods while also having a
significantly stronger correlation between its accuracy and confidence.
Furthermore, LBD has higher performance when applied to a high-precision
targeted recommendation task. Our work thus shows that confidence in RecSys is
possible without sacrificing simplicity or accuracy, and without introducing
heavy computational complexity. Thereby, we hope it enables better insight into
real-world RecSys and opens the door for novel future applications.
- Abstract(参考訳): ほとんどのRecommender Systems(RecSys)は、彼らの決定に対する自信を示していない。
したがって、特定の推奨事項とそうでないものとを区別しない。
既存のrecsyの信頼度法は、不正確なヒューリスティック、概念的に複雑、あるいは計算的に非常に高価である。
その結果、現実世界のRecSysアプリケーションはこれらの手法を滅多に採用せず、その振る舞いに対する信頼感を与えない。
本研究では,信頼度を明示した簡易かつ実用的なレコメンデーション手法として学習ベータ分布(LBD)を提案する。
我々の主な洞察は、ベータ分布は、閉じた間隔で自然に信頼をモデル化するが、最小限のモデル複雑度で実装できる確率分布として、ユーザの好みを予測することである。
以上の結果から,LBDは既存の手法と競合する精度を維持しつつ,精度と信頼性の相関性は著しく高いことがわかった。
さらに、LBDは、高精度なターゲットレコメンデーションタスクに適用した場合、高い性能を有する。
我々の研究は、RecSysの信頼性は単純さや正確さを犠牲にすることなく、計算の複雑さを伴わずに実現できることを示した。
これにより、現実世界のRecSysに関するより良い洞察が得られ、新しい将来の応用への扉を開くことを願っている。
関連論文リスト
- Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
多くの信頼度推定法は誤分類誤りを検出するのに有害である。
本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
論文 参考訳(メタデータ) (2024-03-05T11:44:14Z) - Selective Learning: Towards Robust Calibration with Dynamic
Regularization [93.2503677723367]
ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。
トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
論文 参考訳(メタデータ) (2024-02-13T11:25:20Z) - High Confidence Level Inference is Almost Free using Parallel Stochastic
Optimization [16.38026811561888]
本稿では,高効率計算と高速収束による信頼区間構築に焦点をあてた新しい推論手法を提案する。
提案手法は,推定値の標準的な更新を超える最小限の計算量とメモリを必要とするため,推論処理はほとんどコストがかからない。
論文 参考訳(メタデータ) (2024-01-17T17:11:45Z) - Show Your Work with Confidence: Confidence Bands for Tuning Curves [51.12106543561089]
チューニング作業の関数としての曲線プロット検証性能。
そこで我々は,曲線のチューニングに有効な信頼帯域を構築するための最初の方法を提案する。
提案手法と比較し,提案手法の有効性を検証し,サンプルサイズの影響を解析し,モデルの比較に関するガイダンスを提供する。
論文 参考訳(メタデータ) (2023-11-16T00:50:37Z) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳(メタデータ) (2023-10-09T11:44:50Z) - Confidence Estimation Using Unlabeled Data [12.512654188295764]
トレーニングラベルがほとんど利用できない場合, 半教師付き設定に対する最初の信頼度推定法を提案する。
トレーニングの一貫性を代理関数として使用し、信頼度推定のための一貫性ランキング損失を提案する。
画像分類とセグメンテーションの両方のタスクにおいて,本手法は信頼度推定における最先端性能を実現する。
論文 参考訳(メタデータ) (2023-07-19T20:11:30Z) - Trust, but Verify: Using Self-Supervised Probing to Improve
Trustworthiness [29.320691367586004]
我々は、訓練されたモデルに対する自信の過剰な問題をチェックおよび緩和することのできる、自己教師型探索の新しいアプローチを導入する。
既存の信頼性関連手法に対して,プラグイン・アンド・プレイ方式で柔軟に適用可能な,シンプルで効果的なフレームワークを提供する。
論文 参考訳(メタデータ) (2023-02-06T08:57:20Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - Bayesian Optimization Meets Laplace Approximation for Robotic
Introspection [41.117361086267806]
本稿では,Deep Neural Networks(DNN)をよりイントロスペクティブにするために,スケーラブルなLaplace Approximation (LA)技術を導入する。
特に,本論文では,真の重み付け後部を過小評価する傾向を緩和する新しいベイズ最適化(BO)アルゴリズムを提案する。
提案するフレームワークは,大規模データセットやアーキテクチャにまで拡張可能であることを示す。
論文 参考訳(メタデータ) (2020-10-30T09:28:10Z) - Binary Classification from Positive Data with Skewed Confidence [85.18941440826309]
肯定的信頼度(Pconf)分類は、有望な弱教師付き学習法である。
実際には、信頼はアノテーションプロセスで生じるバイアスによって歪められることがある。
本稿では、スキュード信頼度のパラメータ化モデルを導入し、ハイパーパラメータを選択する方法を提案する。
論文 参考訳(メタデータ) (2020-01-29T00:04:36Z)
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。