論文の概要: A General Neural Causal Model for Interactive Recommendation
- arxiv url: http://arxiv.org/abs/2310.19519v1
- Date: Mon, 30 Oct 2023 13:21:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 20:22:06.106076
- Title: A General Neural Causal Model for Interactive Recommendation
- Title(参考訳): 対話型レコメンデーションのための一般神経因果モデル
- Authors: Jialin Liu, Xinyan Su, Peng Zhou, Xiangyu Zhao, Jun Li
- Abstract要約: 観測データの生存バイアスは、リコメンダシステムの最適化を局所最適に導く。
本稿では,反ファクト推論を実現するためのニューラル因果モデルを提案する。
- 参考スコア(独自算出の注目度): 24.98550634633534
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Survivor bias in observational data leads the optimization of recommender
systems towards local optima. Currently most solutions re-mines existing
human-system collaboration patterns to maximize longer-term satisfaction by
reinforcement learning. However, from the causal perspective, mitigating
survivor effects requires answering a counterfactual problem, which is
generally unidentifiable and inestimable. In this work, we propose a neural
causal model to achieve counterfactual inference. Specifically, we first build
a learnable structural causal model based on its available graphical
representations which qualitatively characterizes the preference transitions.
Mitigation of the survivor bias is achieved though counterfactual consistency.
To identify the consistency, we use the Gumbel-max function as structural
constrains. To estimate the consistency, we apply reinforcement optimizations,
and use Gumbel-Softmax as a trade-off to get a differentiable function. Both
theoretical and empirical studies demonstrate the effectiveness of our
solution.
- Abstract(参考訳): 観測データの生存バイアスは、リコメンダシステムの最適化を局所最適に導く。
現在、ほとんどのソリューションは、強化学習による長期的な満足度を最大化するために、既存のヒューマンシステムコラボレーションパターンを再設計している。
しかし、因果的観点から見れば、生き残り効果を緩和するには反事実的問題に答える必要がある。
本研究では,偽推論を実現するための神経因果モデルを提案する。
具体的には,学習可能な構造的因果モデルを構築し,選択遷移を定性的に特徴付ける。
生存バイアスの軽減は、反事実的一貫性によって達成される。
一貫性を特定するために、gumbel-max関数を構造制約として使用する。
一貫性を推定するために、強化最適化を適用し、Gumbel-Softmax をトレードオフとして使い、微分可能な関数を得る。
理論的および実証的な研究は、我々の解の有効性を実証する。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - Towards Causal Deep Learning for Vulnerability Detection [31.59558109518435]
ソフトウェア工学モデルに計算に基づく因果学習を導入する。
以上の結果から,CausalVulはモデル精度,ロバスト性,OOD性能を一貫して改善した。
論文 参考訳(メタデータ) (2023-10-12T00:51:06Z) - Linked shrinkage to improve estimation of interaction effects in
regression models [0.0]
回帰モデルにおける双方向相互作用項によく適応する推定器を開発する。
我々は,選択戦略では難しい推論モデルの可能性を評価する。
私たちのモデルは、かなり大きなサンプルサイズであっても、ランダムな森林のような、より高度な機械学習者に対して非常に競争力があります。
論文 参考訳(メタデータ) (2023-09-25T10:03:39Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。
本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
論文 参考訳(メタデータ) (2022-09-10T20:40:30Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳(メタデータ) (2021-12-20T14:47:32Z) - Enhancing Model Robustness and Fairness with Causality: A Regularization
Approach [15.981724441808147]
最近の研究は、機械学習モデルにおける急激な相関と意図しないバイアスのリスクを懸念している。
モデルトレーニング中に因果知識を統合するためのシンプルで直感的な正規化手法を提案する。
因果的特徴に依存し、因果的でない特徴に依存しない予測モデルを構築します。
論文 参考訳(メタデータ) (2021-10-03T02:49:33Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z)
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。