Fugu-MT 論文翻訳(概要): Stability of Explainable Recommendation

論文の概要: Stability of Explainable Recommendation

arxiv url: http://arxiv.org/abs/2405.01849v1
Date: Fri, 3 May 2024 04:44:51 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 13:45:11.349254
Title: Stability of Explainable Recommendation
Title（参考訳）: 説明可能な勧告の安定性
Authors: Sairamvinay Vijayaraghavan, Prasant Mohapatra,
Abstract要約: 既存の特徴指向の説明可能なレコメンデーションの脆弱性について検討する。我々は、全ての説明可能なモデルが騒音レベルの増加に弱いことを観察する。本研究は,レコメンデーションシステムにおけるロバストな説明の話題について,実証的な検証を行った。
参考スコア（独自算出の注目度）: 10.186029242664931
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Explainable Recommendation has been gaining attention over the last few years in industry and academia. Explanations provided along with recommendations in a recommender system framework have many uses: particularly reasoning why a suggestion is provided and how well an item aligns with a user's personalized preferences. Hence, explanations can play a huge role in influencing users to purchase products. However, the reliability of the explanations under varying scenarios has not been strictly verified from an empirical perspective. Unreliable explanations can bear strong consequences such as attackers leveraging explanations for manipulating and tempting users to purchase target items that the attackers would want to promote. In this paper, we study the vulnerability of existent feature-oriented explainable recommenders, particularly analyzing their performance under different levels of external noises added into model parameters. We conducted experiments by analyzing three important state-of-the-art (SOTA) explainable recommenders when trained on two widely used e-commerce based recommendation datasets of different scales. We observe that all the explainable models are vulnerable to increased noise levels. Experimental results verify our hypothesis that the ability to explain recommendations does decrease along with increasing noise levels and particularly adversarial noise does contribute to a much stronger decrease. Our study presents an empirical verification on the topic of robust explanations in recommender systems which can be extended to different types of explainable recommenders in RS.
Abstract（参考訳）: 説明可能な勧告は、過去数年間、産業とアカデミックで注目を集めている。推奨システムフレームワークのレコメンデーションと共に提供される説明には、特に提案が提供された理由と、アイテムがユーザのパーソナライズされた好みとどの程度うまく一致しているかを推論する、多くの用途がある。したがって、説明はユーザーが商品を購入することに影響を与える大きな役割を果たす可能性がある。しかし、様々なシナリオにおける説明の信頼性は、経験的観点から厳密には検証されていない。信頼できない説明は、攻撃者が操作するための説明を活用したり、攻撃者が宣伝したいターゲットアイテムを購入するようにユーザーを誘惑したりするなど、強い結果をもたらす可能性がある。本稿では,モデルパラメータに付加される外部ノイズの異なるレベルにおいて,既存の特徴指向の説明可能なレコメンデーションの脆弱性について検討する。そこで我々は,異なるスケールで広く利用されている2つのeコマースベースのレコメンデーションデータセットのトレーニングにおいて,3つの重要な最先端(SOTA)説明可能なレコメンデーションを解析して実験を行った。我々は、全ての説明可能なモデルが騒音レベルの増加に弱いことを観察する。実験結果から,提案手法が雑音レベルの増加とともに減少し,特に対向雑音がより強い減少をもたらすという仮説が検証された。本研究は,レコメンデータシステムにおけるロバストな説明のトピックについて,RSのさまざまなタイプの説明可能なレコメンデータに拡張可能な実証検証を行った。

関連論文リスト

Robust Explainable Recommendation [10.186029242664931]
本稿では,外部攻撃に耐えられる機能対応型レコメンデータの汎用フレームワークを提案する。私たちのフレームワークは、モデルの内部構造や本質的なユーティリティに関係なく、実装が簡単で、異なるメソッドをサポートします。
論文参考訳（メタデータ） (2024-05-03T05:03:07Z)
Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。 3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文参考訳（メタデータ） (2023-05-09T10:38:36Z)
Reinforced Path Reasoning for Counterfactual Explainable Recommendation [10.36395995374108]
本稿では,項目属性に基づく反現実的説明を生成するために,CERec を新たに提案する。我々は、与えられた知識グラフのリッチなコンテキスト情報を用いて、適応経路サンプリング器を用いて巨大な探索空間を縮小する。
論文参考訳（メタデータ） (2022-07-14T05:59:58Z)
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)
Deep Causal Reasoning for Recommendations [47.83224399498504]
推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
論文参考訳（メタデータ） (2022-01-06T15:00:01Z)
Learning Robust Recommender from Noisy Implicit Feedback [140.7090392887355]
我々はAdaptive Denoising Training(ADT)という新しいトレーニング戦略を提案する。 ADTは2つのパラダイム(Trncated LossとReweighted Loss)によるノイズ相互作用を適応的に引き起こす我々は、追加のフィードバック(例えば、評価)を補助信号とみなし、追加のフィードバックをADTに組み込むための3つの戦略を提案する。
論文参考訳（メタデータ） (2021-12-02T12:12:02Z)
From Intrinsic to Counterfactual: On the Explainability of Contextualized Recommender Systems [43.93801836660617]
本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
論文参考訳（メタデータ） (2021-10-28T01:54:04Z)
Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文参考訳（メタデータ） (2021-05-20T08:59:44Z)
Heterogeneous Demand Effects of Recommendation Strategies in a Mobile Application: Evidence from Econometric Models and Machine-Learning Instruments [73.7716728492574]
本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。提案手法では, 有効性に有意な差が認められた。我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
論文参考訳（メタデータ） (2021-02-20T22:58:54Z)
Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文参考訳（メタデータ） (2020-06-03T05:04:38Z)
Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。