Fugu-MT 論文翻訳(概要): Data-driven Conditional Instrumental Variables for Debiasing Recommender Systems

論文の概要: Data-driven Conditional Instrumental Variables for Debiasing Recommender Systems

arxiv url: http://arxiv.org/abs/2408.09651v1
Date: Mon, 19 Aug 2024 02:17:22 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 17:53:49.652017
Title: Data-driven Conditional Instrumental Variables for Debiasing Recommender Systems
Title（参考訳）: データ駆動型レコメンダシステムのためのコンディショナルインスツルメンタリ変数
Authors: Zhirong Huang, Shichao Zhang, Debo Cheng, Jiuyong Li, Lin Liu, Guangquan Lu,
Abstract要約: レコメンデーションシステムでは、潜伏変数はユーザとイテムのインタラクションデータを真のユーザの好みから逸脱させる可能性がある。我々は、CIV4Rec.4Recと呼ばれるレコメンダシステムのための新しいデータ駆動型条件付きIV(CIV)デバイアス法を提案する。
参考スコア（独自算出の注目度）: 25.632817469744325
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In recommender systems, latent variables can cause user-item interaction data to deviate from true user preferences. This biased data is then used to train recommendation models, further amplifying the bias and ultimately compromising both recommendation accuracy and user satisfaction. Instrumental Variable (IV) methods are effective tools for addressing the confounding bias introduced by latent variables; however, identifying a valid IV is often challenging. To overcome this issue, we propose a novel data-driven conditional IV (CIV) debiasing method for recommender systems, called CIV4Rec. CIV4Rec automatically generates valid CIVs and their corresponding conditioning sets directly from interaction data, significantly reducing the complexity of IV selection while effectively mitigating the confounding bias caused by latent variables in recommender systems. Specifically, CIV4Rec leverages a variational autoencoder (VAE) to generate the representations of the CIV and its conditional set from interaction data, followed by the application of least squares to derive causal representations for click prediction. Extensive experiments on two real-world datasets, Movielens-10M and Douban-Movie, demonstrate that our CIV4Rec successfully identifies valid CIVs, effectively reduces bias, and consequently improves recommendation accuracy.
Abstract（参考訳）: レコメンデーションシステムでは、潜伏変数はユーザとイテムのインタラクションデータを真のユーザの好みから逸脱させる可能性がある。このバイアス付きデータは、レコメンデーションモデルをトレーニングし、バイアスをさらに増幅し、最終的にレコメンデーション精度とユーザの満足度の両方を妥協するために使用される。インスツルメンタル変数(IV)法は、潜伏変数によって導入された共起バイアスに対処するための効果的なツールであるが、有効なIVを特定することはしばしば困難である。そこで本研究では,CIV4Recと呼ばれるレコメンダシステムに対して,データ駆動型条件付きIV(CIV)デバイアス法を提案する。 CIV4Recは、相互作用データから直接有効なCIVと対応する条件セットを自動生成し、IV選択の複雑さを著しく低減し、レコメンダシステムにおける潜伏変数による共起バイアスを効果的に緩和する。具体的には、CIV4Recは可変オートエンコーダ(VAE)を利用して、対話データからCIVとその条件セットの表現を生成し、次いで最小二乗を用いてクリック予測のための因果表現を導出する。実世界の2つのデータセットであるMovielens-10MとDouban-Movieの大規模な実験は、我々のCIV4Recが有効なCIVを特定し、バイアスを効果的に低減し、結果として推奨精度を向上することを示した。

関連論文リスト

Mitigating Dual Latent Confounding Biases in Recommender Systems [16.119503935921188]
本稿では,器用変数(IV)アプローチと識別可能な変分自動エンコーダ(iVAE)を併用したデバイアス化手法を提案する。 IViDRは、アイテムとユーザからのフィードバックの間に潜伏した共同創設者が引き起こした矛盾するバイアスに対処する。それは、アイテムの露出とユーザからのフィードバックの間に潜伏した共同創設者の識別可能な表現を、元のデータとデバイアスされたインタラクションデータの両方から推論する。
論文参考訳（メタデータ） (2024-10-16T10:58:53Z)
CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文参考訳（メタデータ） (2024-05-19T17:49:33Z)
Learning Decision Policies with Instrumental Variables through Double Machine Learning [16.842233444365764]
データリッチな設定における意思決定ポリシーの学習における一般的な問題は、オフラインデータセットにおける急激な相関である。 2段階IV回帰のバイアスを低減する非線形IV回帰法であるDML-IVを提案する。 IV回帰ベンチマークでは、最先端のIV回帰法よりも優れており、楽器の存在下で高い性能のポリシーを学ぶ。
論文参考訳（メタデータ） (2024-05-14T10:55:04Z)
Regularized DeepIV with Model Selection [72.17508967124081]
正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。我々の手法は現在の最先端の収束率と一致している。
論文参考訳（メタデータ） (2024-03-07T05:38:56Z)
Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
論文参考訳（メタデータ） (2022-11-29T14:31:54Z)
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)
Debiasing Learning for Membership Inference Attacks Against Recommender Systems [79.48353547307887]
学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
論文参考訳（メタデータ） (2022-06-24T17:57:34Z)
Ancestral Instrument Method for Causal Inference without Complete Knowledge [0.0]
観測データから因果効果を推定する主な障害は、観測不能な共起である。条件IVは、観測変数の集合を条件付けすることで標準IVの要求を緩和するために提案されている。本研究では,祖先IVと観測データを用いた因果効果推定アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-01-11T07:02:16Z)
Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition [21.90157954233519]
計器変数(IV)は、観測されていない共同設立者と因果推論において重要な役割を果たす。既存のIVベースの対実予測法では、適切に定義されたIVが必要である。観測変数からIVの役割を果たす表現を自動的に生成する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-07-13T07:30:21Z)
Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文参考訳（メタデータ） (2021-06-15T06:59:53Z)

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。