論文の概要: FINEST: Stabilizing Recommendations by Rank-Preserving Fine-Tuning

• arxiv url: http://arxiv.org/abs/2402.03481v1
• Date: Mon, 5 Feb 2024 19:53:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 17:58:41.146260
• Title: FINEST: Stabilizing Recommendations by Rank-Preserving Fine-Tuning
• Title（参考訳）: FINEST: ランク保存ファインチューニングによる勧告の安定化
• Authors: Sejoon Oh, Berk Ustun, Julian McAuley, Srijan Kumar
• Abstract要約: 単一のユーザのデータの変更は、リコメンデーションだけでなく、他のユーザのリコメンデーションも変更する。 医療、住宅、金融といったアプリケーションでは、この感度はユーザー体験に悪影響を及ぼす可能性がある。 本稿では,そのような摂動に対して与えられたレコメンデータシステムを安定化させる手法を提案する。
• 参考スコア（独自算出の注目度）: 39.812232553491924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern recommender systems may output considerably different recommendations due to small perturbations in the training data. Changes in the data from a single user will alter the recommendations as well as the recommendations of other users. In applications like healthcare, housing, and finance, this sensitivity can have adverse effects on user experience. We propose a method to stabilize a given recommender system against such perturbations. This is a challenging task due to (1) the lack of a ``reference'' rank list that can be used to anchor the outputs; and (2) the computational challenges in ensuring the stability of rank lists with respect to all possible perturbations of training data. Our method, FINEST, overcomes these challenges by obtaining reference rank lists from a given recommendation model and then fine-tuning the model under simulated perturbation scenarios with rank-preserving regularization on sampled items. Our experiments on real-world datasets demonstrate that FINEST can ensure that recommender models output stable recommendations under a wide range of different perturbations without compromising next-item prediction accuracy.
• Abstract（参考訳）: 現代のレコメンダシステムは、トレーニングデータに小さな摂動があるため、かなり異なるレコメンデーションを出力できる。 1人のユーザーからのデータの変更は、他のユーザーのレコメンデーションだけでなくレコメンデーションも変更する。 医療、住宅、金融といったアプリケーションでは、この感度はユーザー体験に悪影響を及ぼす可能性がある。 このような摂動に対して所定のレコメンダシステムを安定化する手法を提案する。 この課題は,(1)出力のアンロックに使用可能な「参照」ランクリストの欠如,(2)トレーニングデータの摂動に関するランクリストの安定性を確保する上での計算上の課題による課題である。 提案手法は,与えられた推奨モデルから参照ランクリストを取得し,サンプル項目のランク保存正規化による摂動シミュレーションによりモデルを微調整することで,これらの課題を克服する。 実世界のデータセットに対する我々の実験は、FINESTが予測精度を損なうことなく、様々な摂動の下で安定したレコメンデーションを出力できることを実証している。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• CSRec: Rethinking Sequential Recommendation from A Causal Perspective [25.69446083970207]
  シーケンシャルなレコメンデータシステム(RecSys)の本質は、ユーザが意思決定を行う方法を理解することです。 我々は、CSRec(Causal Sequential Recommendation)と呼ばれる、シーケンシャルレコメンデーションの新しい定式化を提案する。 CSRecは、シーケンシャルなコンテキスト内で推奨項目が受け入れられる確率を予測し、現在の決定がどのようになされるかをバックトラックすることを目的としている。
  論文  参考訳（メタデータ） (2024-08-23T23:19:14Z)
• DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems [9.433227503973077]
  LLMに基づくレコメンデーションにおいて,多様性のきめ細かい制御を可能にする新しいフレームワークを提案する。 従来の方法とは異なり、DLCRecはきめ細かいタスク分解戦略を採用し、推奨プロセスを3つのサブタスクに分割する。 本稿では,ノイズやアウト・オブ・ディストリビューションデータに対するモデルの堅牢性を高める2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T15:10:56Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• CausPref: Causal Preference Learning for Out-of-Distribution Recommendation [36.22965012642248]
  現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。 本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。 当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-08T16:42:03Z)
• Robustness of Deep Recommendation Systems to Untargeted Interaction Perturbations [11.921365836430658]
  本研究では,ユーザとイテム間のインタラクションが意図しない,あるいは敵対的な設定で乱される,新たなフレームワークを開発する。 4つの一般的な推奨モデルが1つのランダム摂動に対して不安定であることを示す。 本稿では,最大カスケード効果を誘導する相互作用を同定し,摂動する対向摂動法CASPERを提案する。
  論文  参考訳（メタデータ） (2022-01-29T23:43:21Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。