論文の概要: Confidence-aware Fine-tuning of Sequential Recommendation Systems via Conformal Prediction

• arxiv url: http://arxiv.org/abs/2402.08976v3
• Date: Thu, 20 Feb 2025 04:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:24:23.347415
• Title: Confidence-aware Fine-tuning of Sequential Recommendation Systems via Conformal Prediction
• Title（参考訳）: コンフォーマル予測によるシーケンスレコメンデーションシステムの信頼性を考慮した微調整
• Authors: Chen Wang, Fangxin Wang, Ruocheng Guo, Yueqing Liang, Philip S. Yu,
• Abstract要約: Sequential Recommendation Systems (SRecsys)では、クロスエントロピー(CE)損失に依存する従来のトレーニングアプローチは、精度を優先することが多いが、ユーザの満足度指標とうまく一致しない。 コンフォーマル予測(CP)に基づく損失をCE損失と統合した新しい微調整フレームワークである textbfCPFT を提案する。
• 参考スコア（独自算出の注目度）: 46.76846936581471
• License:
• Abstract: In Sequential Recommendation Systems (SRecsys), traditional training approaches that rely on Cross-Entropy (CE) loss often prioritize accuracy but fail to align well with user satisfaction metrics. CE loss focuses on maximizing the confidence of the ground truth item, which is challenging to achieve universally across all users and sessions. It also overlooks the practical acceptability of ranking the ground truth item within the top-$K$ positions, a common metric in SRecsys. To address this limitation, we propose \textbf{CPFT}, a novel fine-tuning framework that integrates Conformal Prediction (CP)-based losses with CE loss to optimize accuracy alongside confidence that better aligns with widely used top-$K$ metrics. CPFT embeds CP principles into the training loop using differentiable proxy losses and computationally efficient calibration strategies, enabling the generation of high-confidence prediction sets. These sets focus on items with high relevance while maintaining robust coverage guarantees. Extensive experiments on five real-world datasets and four distinct sequential models demonstrate that CPFT improves precision metrics and confidence calibration. Our results highlight the importance of confidence-aware fine-tuning in delivering accurate, trustworthy recommendations that enhance user satisfaction.
• Abstract（参考訳）: Sequential Recommendation Systems (SRecsys)では、クロスエントロピー(CE)損失に依存する従来のトレーニングアプローチは、精度を優先することが多いが、ユーザの満足度指標とうまく一致しない。 CE損失は、すべてのユーザとセッションで普遍的に達成することの難しさである、根拠となる真実項目の信頼性の最大化に焦点が当てられている。 また、SRecsysの一般的な測度であるK$の上位に、基底真理項目をランク付けするという現実的な受容性も見落としている。 この制限に対処するため,コンフォーマル予測(CP)に基づく損失をCE損失と統合した新しい微調整フレームワークである \textbf{CPFT} を提案する。 CPFTは、微分可能なプロキシ損失と計算効率の良いキャリブレーション戦略を用いて、CP原則をトレーニングループに組み込んで、高信頼の予測セットを生成する。 これらのセットは、堅牢なカバレッジ保証を維持しながら、関連性の高いアイテムに焦点を当てます。 5つの実世界のデータセットと4つの異なるシーケンシャルモデルに対する大規模な実験は、CPFTが精度の指標と信頼性の校正を改善することを示した。 ユーザ満足度を高めるための正確で信頼性の高いレコメンデーションを提供する上で,信頼性に配慮した微調整の重要性を強調した。

関連論文リスト

• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Functional-level Uncertainty Quantification for Calibrated Fine-tuning on LLMs [21.94487480599671]
  キャリブレーションファインチューニング(UQ4CT)のための機能レベル不確実性定量化を提案する。 UQ4CTは予測エラーのベンチマークを25%以上削減し、高い精度を5ドルまで維持することを示した。 分散シフト中であっても、UQ4CTはより優れたECE性能を高い精度で維持し、一般化性の向上を示す。
  論文  参考訳（メタデータ） (2024-10-09T00:09:15Z)
• End-to-End Conformal Calibration for Optimization Under Uncertainty [32.844953018302874]
  本稿では,条件最適化のための不確実性推定を学習するためのエンドツーエンドフレームワークを開発する。 さらに,部分凸ニューラルネットワークを用いた任意の凸不確実性集合の表現を提案する。 我々のアプローチは2段階最適化によって一貫して改善される。
  論文  参考訳（メタデータ） (2024-09-30T17:38:27Z)
• Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [0.0]
  コンフォーマル予測は、ユーザ指定の重要度レベルで有効な予測セットを保証するために、交換可能なデータを必要とする。 適応共形推論 (Adaptive conformal inference, ACI) は、この制限に対処するために導入された。 我々は、ACIが共形予測器を必要とせず、より一般的な信頼性予測器で実装可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-23T21:02:33Z)
• The Penalized Inverse Probability Measure for Conformal Classification [0.5172964916120902]
  この研究は、Pinalized Inverse Probability(PIP)の非整合性スコアと、その正規化バージョンRePIPを導入し、効率性と情報性の両方を共同で最適化する。 この研究は、PIPに基づく共形分類器が、他の非整合性対策と比較して正確に望ましい振る舞いを示し、情報性と効率のバランスを保っていることを示す。
  論文  参考訳（メタデータ） (2024-06-13T07:37:16Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Fast Entropy-Based Methods of Word-Level Confidence Estimation for End-To-End Automatic Speech Recognition [86.21889574126878]
  本研究では,フレーム単位のエントロピー値を正規化して集約し,単位単位当たりの信頼度と単語毎の信頼度を求める方法を示す。 提案手法をLibriSpeechテストセット上で評価した結果,最大フレーム当たりの信頼度推定値の最大値から,信頼度推定値の最大値の最大値の最大値の最大値の最大値の2倍,4倍の精度を示した。
  論文  参考訳（メタデータ） (2022-12-16T20:27:40Z)
• Learning Optimal Conformal Classifiers [32.68483191509137]
  コンフォーマル予測(CP)は、真のクラスを含む信頼セットをユーザが特定した確率で予測するために用いられる。 本稿では, CP を用いた学習において, コンフォーマルラッパーをエンド・ツー・エンドとしたトレーニングモデルを用いて, CP による差別化戦略について検討する。 コンフォメーショントレーニング(ConfTr)は、平均信頼度セットのサイズを小さくすることで、最先端のCP手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-18T11:25:33Z)

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。