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

• From Distributional Robustness to Robust Statistics: A Confidence Sets Perspective [0.0]
  クルバック・リーブラーの発散と全変動距離に基づくDRO曖昧性集合は、一様最小であることを示す。 パラメトリックな仮定が未知の分布に課されるとき、あいまいさ集合はハッバーが提案した最適推定器に基づく信頼集合よりも大きくなることが証明される。
  論文  参考訳（メタデータ） (2024-10-17T20:20:42Z)
• No Regrets: Investigating and Improving Regret Approximations for Curriculum Discovery [53.08822154199948]
  非教師なし環境設計(UED)手法は、エージェントがイン・オブ・アウト・ディストリビューションタスクに対して堅牢になることを約束する適応的カリキュラムとして近年注目を集めている。 本研究は,既存のUEDメソッドがいかにトレーニング環境を選択するかを検討する。 本研究では,学習性の高いシナリオを直接訓練する手法を開発した。
  論文  参考訳（メタデータ） (2024-08-27T14:31:54Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• 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)
• 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)
• 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)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• 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。