論文の概要: Robust Collaborative Filtering to Popularity Distribution Shift

• arxiv url: http://arxiv.org/abs/2310.10696v1
• Date: Mon, 16 Oct 2023 04:20:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 19:47:51.374790
• Title: Robust Collaborative Filtering to Popularity Distribution Shift
• Title（参考訳）: 人気分布シフトに対するロバストな協調フィルタリング
• Authors: An Zhang, Wenchang Ma, Jingnan Zheng, Xiang Wang, Tat-seng Chua
• Abstract要約: 本稿では,テストデータに仮定することなく,インタラクションワイドな人気ショートカットを定量化し,削減する,シンプルで効果的なデバイアス対策であるPopGoを提案する。 IDとOODの両方のテストセットにおいて、PopGoは最先端のデバイアス戦略よりも大幅に向上している。
• 参考スコア（独自算出の注目度）: 56.78171423428719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In leading collaborative filtering (CF) models, representations of users and items are prone to learn popularity bias in the training data as shortcuts. The popularity shortcut tricks are good for in-distribution (ID) performance but poorly generalized to out-of-distribution (OOD) data, i.e., when popularity distribution of test data shifts w.r.t. the training one. To close the gap, debiasing strategies try to assess the shortcut degrees and mitigate them from the representations. However, there exist two deficiencies: (1) when measuring the shortcut degrees, most strategies only use statistical metrics on a single aspect (i.e., item frequency on item and user frequency on user aspect), failing to accommodate the compositional degree of a user-item pair; (2) when mitigating shortcuts, many strategies assume that the test distribution is known in advance. This results in low-quality debiased representations. Worse still, these strategies achieve OOD generalizability with a sacrifice on ID performance. In this work, we present a simple yet effective debiasing strategy, PopGo, which quantifies and reduces the interaction-wise popularity shortcut without any assumptions on the test data. It first learns a shortcut model, which yields a shortcut degree of a user-item pair based on their popularity representations. Then, it trains the CF model by adjusting the predictions with the interaction-wise shortcut degrees. By taking both causal- and information-theoretical looks at PopGo, we can justify why it encourages the CF model to capture the critical popularity-agnostic features while leaving the spurious popularity-relevant patterns out. We use PopGo to debias two high-performing CF models (MF, LightGCN) on four benchmark datasets. On both ID and OOD test sets, PopGo achieves significant gains over the state-of-the-art debiasing strategies (e.g., DICE, MACR).
• Abstract（参考訳）: cfモデル(leading collaborative filtering)では、ユーザとアイテムの表現が、トレーニングデータの人気バイアスをショートカットとして学習する傾向がある。 人気ショートカットのトリックは、分散(id)パフォーマンスには適しているが、分散(ood)データ、すなわちテストデータの人気分布がトレーニングデータにシフトしたときには、あまり一般化されていない。 ギャップを埋めるために、デバイアスング戦略はショートカットの度合いを評価し、それらを表現から緩和しようとする。 しかし, ショートカットの度合いを測る場合には, 1 つの側面(項目の項目頻度, ユーザ側のユーザ頻度など)でのみ統計値を使用する戦略が多く, ユーザとイタムのペアの構成次数に適合しない, 2) ショートカットを緩和する場合は, テスト分布が事前に知られていると仮定する戦略が多い, という2つの欠点がある。 これにより低品質のデバイアス表現が得られる。 さらに悪いことに、これらの戦略はID性能を犠牲にしてOODの一般化性を達成する。 本研究では,テストデータに仮定することなく,対話的人気ショートカットの定量化と削減を行う,シンプルかつ効果的なデバイアス戦略popgoを提案する。 まず、人気表現に基づいて、ユーザとイタムのペアのショートカット次数を生成するショートカットモデルを学習する。 そして、相互作用ワイドショートカット度で予測を調整することでCFモデルを訓練する。 因果的な情報理論の両方をPopGoで見ることによって、CFモデルが重要な人気に依存しない特徴を捉えつつ、急激な人気関連パターンを排除した理由を正当化することができる。 PopGoを使って、4つのベンチマークデータセット上で2つの高性能CFモデル(MF、LightGCN)をデバイアスします。 IDとOODの両方のテストセットでは、PopGoは最先端のデバイアス戦略(DICE、MACRなど)よりも大幅に向上している。

関連論文リスト

• Popularity-Aware Alignment and Contrast for Mitigating Popularity Bias [34.006766098392525]
  協調フィルタリング(CF)は通常、現実のデータセットにおけるアイテムの不均一な分布のため、人気バイアスの課題に悩まされる。 このバイアスは、人気アイテムと不人気アイテムの間にかなりの精度のギャップをもたらす。 本稿では,2つの課題に対処するために,PAAC(Popularity-Aware Alignment and Contrast)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:14:48Z)
• Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
  我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。 ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。 これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
  論文  参考訳（メタデータ） (2023-11-28T16:46:14Z)
• Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
  人気バイアスはレコメンデーションシステムの分野で広く問題となっている。 本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
  論文  参考訳（メタデータ） (2023-08-22T08:57:44Z)
• uCTRL: Unbiased Contrastive Representation Learning via Alignment and Uniformity for Collaborative Filtering [6.663503238373593]
  協調フィルタリング(CF)モデルは、人気バイアスのあるレコメンデーションリストを得る傾向がある。 この問題を軽減するために,Unbiased ConTrastive Representation Learning (uCTRL)を提案する。 また,ユーザとアイテムの両方のバイアスを除去する新しいIPW推定手法も考案した。
  論文  参考訳（メタデータ） (2023-05-22T06:55:38Z)
• Look Beyond Bias with Entropic Adversarial Data Augmentation [4.893694715581673]
  ディープニューラルネットワークは、スパイラルパターンと因果パターンを区別せず、他を無視しながら最も予測的なパターンのみを学ぶ。 ネットワークをこのような刺激的なバイアスに頑健にするためにデバイアス法が開発されたが、データセットがバイアスを受けているかどうかを事前に知る必要がある。 本稿では,「隠された」因果情報がバイアス画像に含まれる場合が多いため,このようなサンプルは必ずしも必要ではない,と論じる。
  論文  参考訳（メタデータ） (2023-01-10T08:25:24Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Diverse Knowledge Distillation for End-to-End Person Search [81.4926655119318]
  人物検索は、画像ギャラリーから特定の人物をローカライズし識別することを目的としている。 最近の手法は2つのグループ、すなわち2段階とエンドツーエンドのアプローチに分類できる。 ボトルネックを解消するために、多様な知識蒸留を備えたシンプルで強力なエンドツーエンドネットワークを提案します。
  論文  参考訳（メタデータ） (2020-12-21T09:04:27Z)

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。