論文の概要: Causal Learning for Trustworthy Recommender Systems: A Survey

• arxiv url: http://arxiv.org/abs/2402.08241v2
• Date: Tue, 18 Feb 2025 09:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:00:56.549968
• Title: Causal Learning for Trustworthy Recommender Systems: A Survey
• Title（参考訳）: 信頼できるレコメンダシステムの因果学習に関する調査
• Authors: Jin Li, Shoujin Wang, Qi Zhang, Longbing Cao, Fang Chen, Xiuzhen Zhang, Dietmar Jannach, Charu C. Aggarwal,
• Abstract要約: 本稿では、因果学習の観点から、信頼に値するRS(TRS)の概要を述べる。 それぞれの段階における潜在的信頼性の課題を特定し、それらを有効な因果解にリンクする。
• 参考スコア（独自算出の注目度）: 46.38233864851038
• License:
• Abstract: Recommender Systems (RS) have significantly advanced online content filtering and personalized decision-making. However, emerging vulnerabilities in RS have catalyzed a paradigm shift towards Trustworthy RS (TRS). Despite substantial progress on TRS, most efforts focus on data correlations while overlooking the fundamental causal nature of recommendations. This drawback hinders TRS from identifying the root cause of trustworthiness issues, leading to limited fairness, robustness, and explainability. To bridge this gap, causal learning emerges as a class of promising methods to augment TRS. These methods, grounded in reliable causality, excel in mitigating various biases and noise while offering insightful explanations for TRS. However, there is a lack of timely and dedicated surveys in this vibrant area. This paper creates an overview of TRS from the perspective of causal learning. We begin by presenting the advantages and common procedures of Causality-oriented TRS (CTRS). Then, we identify potential trustworthiness challenges at each stage and link them to viable causal solutions, followed by a classification of CTRS methods. Finally, we discuss several future directions for advancing this field.
• Abstract（参考訳）: Recommender Systems(RS)は、オンラインコンテンツフィルタリングとパーソナライズされた意思決定を大きく進歩させた。 しかし、RSの新たな脆弱性は、TRS(Trustworthy RS)へのパラダイムシフトを引き起こしている。 TRSの大幅な進歩にもかかわらず、ほとんどの取り組みはデータ相関に焦点を当て、レコメンデーションの基本的な因果性を見落としている。 この欠点は、TRSが信頼性の問題の根本原因を特定するのを妨げ、公正性、堅牢性、説明可能性に制限を与える。 このギャップを埋めるために、因果学習は、TRSを増強する有望な方法のクラスとして現れる。 これらの手法は信頼性の高い因果関係を基礎として、様々なバイアスやノイズを緩和し、TRSの洞察に富んだ説明を提供する。 しかし、この活気に満ちた地域では、タイムリーかつ専門的な調査が欠如している。 本稿では、因果学習の観点から、TRSの概要を述べる。 まず、因果性指向性TRS(CTRS)の利点と共通手順を提示することから始める。 そして,各段階における潜在的信頼性の課題を特定し,それらを因果解にリンクし,次いでCTRS法を分類する。 最後に、この分野を前進させるいくつかの今後の方向性について論じる。

関連論文リスト

• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• RbFT: Robust Fine-tuning for Retrieval-Augmented Generation against Retrieval Defects [12.5122702720856]
  本稿では,検索欠陥に対する大規模言語モデルのレジリエンスを高めるために,Robust Fine-Tuning (RbFT)を提案する。 実験の結果,RbFTは多様な検索条件におけるRAGシステムのロバスト性を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2025-01-30T14:15:09Z)
• ReARTeR: Retrieval-Augmented Reasoning with Trustworthy Process Rewarding [25.329712997545794]
  ReARTeR(Retrieval-Augmented Reasoning)を提案する。 ReARTeRは、ポストトレーニングとテストタイムスケーリングを通じて、RAGシステムの推論能力を向上する。 マルチステップ推論ベンチマークの実験結果から,大幅な改善が示された。
  論文  参考訳（メタデータ） (2025-01-14T05:56:26Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• Towards Robust Uncertainty-Aware Incomplete Multi-View Classification [11.617211995206018]
  不完全なMVCシナリオにおけるEDLに基づく手法を強化するために、Alternating Progressive Learning Network (APLN)を提案する。 APLNは、まず粗い計算を適用し、次にデータを潜在空間にマッピングすることで、破損した観測データからのバイアスを緩和する。 また、矛盾する証拠をよりよく扱うために、コンフリクト対応のDempster-Shaferコンビネーションルール(DSCR)を導入します。
  論文  参考訳（メタデータ） (2024-09-10T07:18:57Z)
• CoT Rerailer: Enhancing the Reliability of Large Language Models in Complex Reasoning Tasks through Error Detection and Correction [9.44858963874474]
  CoT(Chain-of-Thought)により、LLM(Large Language Models)の複雑な推論能力が向上する。 我々は,これらの課題に対処するために,自己整合性とマルチエージェントの議論システムを用いたCoTリレーラを提案する。 様々な知識領域における多様な質問応答データセットにまたがるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-25T21:20:17Z)
• A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
  State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。 軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。 本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
  論文  参考訳（メタデータ） (2024-06-25T07:45:00Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Trustworthy Recommender Systems [27.27498627500375]
  Recommender System (RS) は、ユーザーが大きなカタログから興味のあるアイテムを効果的に取り出すのを支援することを目的としている。 近年では、攻撃やシステムやユーザ生成ノイズ、システムのバイアスなど、RSに対する脅威が増加している。 エンドユーザーにとって、信頼できるRS(TRS)は正確であるだけでなく、透明で偏りがなく公正であり、ノイズや攻撃に対して堅牢であるべきである。
  論文  参考訳（メタデータ） (2022-08-10T08:28:46Z)
• Open Problem: Tight Online Confidence Intervals for RKHS Elements [57.363123214464764]
  我々は、RKHS設定におけるオンライン信頼区間の質問を形式化し、既存の結果を概観する。 準最適後悔境界がこれらのアルゴリズムの根本的な欠点なのか、あるいは証明の成果物なのかは定かではない。
  論文  参考訳（メタデータ） (2021-10-28T22:36:20Z)

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。