論文の概要: MOReGIn: Multi-Objective Recommendation at the Global and Individual Levels

• arxiv url: http://arxiv.org/abs/2401.12593v1
• Date: Tue, 23 Jan 2024 09:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 16:19:03.050280
• Title: MOReGIn: Multi-Objective Recommendation at the Global and Individual Levels
• Title（参考訳）: moregin: グローバルおよび個人レベルでの多目的レコメンデーション
• Authors: Elizabeth G\'omez, David Contreras, Ludovico Boratto, Maria Salam\'o
• Abstract要約: マルチオブジェクトレコメンダシステム(MORS)は、複数の(しばしば矛盾する)目標を保証するパラダイムとして登場した。 我々は,グローバル目標と個人目標が共存する場合には,MORSが両目標を達成できないことを示す。 我々は,グローバル視点と個人視点の両方を保証するために,レコメンデーションリストを規制するアプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.804675180139066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Objective Recommender Systems (MORSs) emerged as a paradigm to guarantee multiple (often conflicting) goals. Besides accuracy, a MORS can operate at the global level, where additional beyond-accuracy goals are met for the system as a whole, or at the individual level, meaning that the recommendations are tailored to the needs of each user. The state-of-the-art MORSs either operate at the global or individual level, without assuming the co-existence of the two perspectives. In this study, we show that when global and individual objectives co-exist, MORSs are not able to meet both types of goals. To overcome this issue, we present an approach that regulates the recommendation lists so as to guarantee both global and individual perspectives, while preserving its effectiveness. Specifically, as individual perspective, we tackle genre calibration and, as global perspective, provider fairness. We validate our approach on two real-world datasets, publicly released with this paper.
• Abstract（参考訳）: マルチオブジェクトレコメンダシステム(MORS)は、複数の(しばしば矛盾する)目標を保証するパラダイムとして登場した。 正確性に加えて、MORSはグローバルレベルで運用でき、システム全体または個々のレベルで追加の精度以上の目標が満たされる。 最先端のMORSは、2つの視点の共存を仮定することなく、グローバルまたは個別のレベルで運用される。 本研究では,グローバル目標と個別目標が共存している場合,モースが両方の目標を満たせないことを示す。 この問題を克服するために,提案するレコメンデーションリストを規制し,その有効性を保ちながら,グローバル視点と個人視点の両方を保証するアプローチを提案する。 具体的には、個々の視点として、ジャンルのキャリブレーションに取り組み、グローバルな視点として、プロバイダフェアネスに取り組みます。 本論文で公表した2つの実世界のデータセットに対するアプローチを検証する。

関連論文リスト

• CompassJudger-1: All-in-one Judge Model Helps Model Evaluation and Evolution [74.41064280094064]
  textbfJudger-1は、最初のオープンソースのtextbfall-in-one judge LLMである。 CompassJudger-1は、優れた汎用性を示す汎用LLMである。 textbfJudgerBenchは、様々な主観評価タスクを含む新しいベンチマークである。
  論文  参考訳（メタデータ） (2024-10-21T17:56:51Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
  複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。 既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
  論文  参考訳（メタデータ） (2024-07-04T02:19:49Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Holistic Survey of Privacy and Fairness in Machine Learning [10.399352534861292]
  プライバシと公正性は、責任ある人工知能(AI)と信頼できる機械学習(ML)の重要な柱である かなりの関心があるにもかかわらず、これらの2つの目的がMLモデルにどのように同時に統合できるかを解明するために、より詳細な研究が必要である。 我々は、教師なし、教師なし、半教師なし、強化学習を含む、MLにおけるプライバシーと公正性の徹底的なレビューを提供する。
  論文  参考訳（メタデータ） (2023-07-28T23:39:29Z)
• Learning with Impartiality to Walk on the Pareto Frontier of Fairness, Privacy, and Utility [28.946180502706504]
  機械学習パイプラインは、別の目的を優先すべきではない、と私たちは主張する。 本稿では,目的間の固有のトレードオフを示す,公平に特定されたモデルを提案する。 プライバシを意識したMLパイプラインに、公正さの緩和が組み込まれるべきかどうかという疑問に対する回答を提供する。
  論文  参考訳（メタデータ） (2023-02-17T23:23:45Z)
• Dual Self-Awareness Value Decomposition Framework without Individual Global Max for Cooperative Multi-Agent Reinforcement Learning [12.74348597962689]
  心理学における二重自己認識の概念に着想を得た二重自己認識価値分解フレームワークを提案する。 IGMを含まない最初の完全値分解法として,本提案手法は様々な協調作業において望ましい性能を実現する。
  論文  参考訳（メタデータ） (2023-02-04T15:13:20Z)
• Multi-Objective Recommender Systems: Survey and Challenges [5.076419064097734]
  我々は,個々のユーザに関連するコンテンツを予測する機械学習アルゴリズムの開発に重点を置いている。 しかし、現実世界のアプリケーションでは、そのような関連性予測の精度を単一の目的として最適化することは不十分である。 複数の競合する目的を考慮しなくてはならないため、多目的レコメンデータシステムにおけるさらなる研究が必要である。
  論文  参考訳（メタデータ） (2022-10-19T05:51:54Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Adapt to Adaptation: Learning Personalization for Cross-Silo Federated Learning [6.0088002781256185]
  従来のフェデレーション学習は、分散データによるクライアントのフェデレーションのためのグローバルモデルをトレーニングすることを目的としている。 非IIDデータセット間の分散シフトは、データヘテロジニティとしても知られ、この1つのグローバルモデルに適合するソリューションにしばしば挑戦する。 我々は、各クライアントが他のクライアントのモデルからどれだけの恩恵を受けることができるかを適応的に学習するパーソナライズされたクロスサイロFLフレームワークであるAPPLEを提案する。
  論文  参考訳（メタデータ） (2021-10-15T22:23:14Z)

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。