論文の概要: Do Recommender Systems Promote Local Music? A Reproducibility Study Using Music Streaming Data

• arxiv url: http://arxiv.org/abs/2408.16430v1
• Date: Thu, 29 Aug 2024 10:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 14:12:45.208421
• Title: Do Recommender Systems Promote Local Music? A Reproducibility Study Using Music Streaming Data
• Title（参考訳）: レコメンダシステムはローカル音楽を促進するか?音楽ストリーミングデータを用いた再現性の検討
• Authors: Kristina Matrosova, Lilian Marey, Guillaume Salha-Galvan, Thomas Louail, Olivier Bodini, Manuel Moussallam,
• Abstract要約: 本稿では,レコメンデータシステムによるローカル音楽表現への影響について検討する。 以前の研究では、異なるレコメンデーターシステムは、音楽の消費をローカルなコンテンツにシフトさせるアルゴリズム的バイアスを示すと主張した。 本研究の結論の堅牢性を評価するため,グローバル音楽ストリーミングサービスの独自リスニングデータを用いて比較分析を行った。
• 参考スコア（独自算出の注目度）: 3.023348267060456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper examines the influence of recommender systems on local music representation, discussing prior findings from an empirical study on the LFM-2b public dataset. This prior study argued that different recommender systems exhibit algorithmic biases shifting music consumption either towards or against local content. However, LFM-2b users do not reflect the diverse audience of music streaming services. To assess the robustness of this study's conclusions, we conduct a comparative analysis using proprietary listening data from a global music streaming service, which we publicly release alongside this paper. We observe significant differences in local music consumption patterns between our dataset and LFM-2b, suggesting that caution should be exercised when drawing conclusions on local music based solely on LFM-2b. Moreover, we show that the algorithmic biases exhibited in the original work vary in our dataset, and that several unexplored model parameters can significantly influence these biases and affect the study's conclusion on both datasets. Finally, we discuss the complexity of accurately labeling local music, emphasizing the risk of misleading conclusions due to unreliable, biased, or incomplete labels. To encourage further research and ensure reproducibility, we have publicly shared our dataset and code.
• Abstract（参考訳）: 本稿では,LFM-2b公開データセットに関する実証的研究から,レコメンダシステムによる局所的な音楽表現への影響について考察する。 この先行研究は、異なるレコメンデーターシステムは、音楽の消費を局地的コンテンツにシフトさせるアルゴリズム的バイアスを示すと主張した。 しかし、LFM-2bのユーザーは音楽ストリーミングサービスの多様なオーディエンスを反映していない。 本研究の結果のロバスト性を評価するため,グローバル音楽ストリーミングサービスの独自リスニングデータを用いて比較分析を行い,本論文と共に公開する。 その結果, LFM-2bのみに基づく局所音楽の結論を導出する場合, LFM-2bとデータセット間の局所音楽消費パターンの有意な差異を観察し, 注意が必要であることを示唆した。 さらに、本研究で得られたアルゴリズムバイアスはデータセットによって異なることを示し、探索されていないモデルパラメータがこれらのバイアスに大きく影響し、両方のデータセットにおける研究の結論に影響を及ぼすことを示した。 最後に、ローカル音楽の正確なラベル付けの複雑さについて論じ、信頼できない、偏見のない、あるいは不完全なラベルによる誤った結論のリスクを強調した。 さらなる研究を奨励し、再現性を確保するため、データセットとコードを公開しました。

関連論文リスト

• Lazy Data Practices Harm Fairness Research [49.02318458244464]
  本稿では,公正な機械学習データセットを包括的に分析し,不反射的手法がアルゴリズム的公正度発見の到達度と信頼性をいかに妨げているかを示す。 本分析では,(1)データと評価における特定の保護属性の表現のテクスブフラック,(2)データ前処理におけるマイノリティの広汎なテキストbf,(3)フェアネス研究の一般化を脅かすテキストbfopaqueデータ処理の3つの分野について検討した。 この研究は、公正なMLにおけるデータプラクティスの批判的な再評価の必要性を強調し、データセットのソーシングと使用の両方を改善するための指針を提供する。
  論文  参考訳（メタデータ） (2024-04-26T09:51:24Z)
• On the Effect of Data-Augmentation on Local Embedding Properties in the Contrastive Learning of Music Audio Representations [6.255143207183722]
  トラック内の同質な音楽特性は、結果として生じる埋め込み空間内の近傍の局所性に反映されることを示す。 音楽オーディオの埋め込みのコントラスト学習におけるデータ拡張戦略の最適選択は、下流タスクに依存していることを示す。
  論文  参考訳（メタデータ） (2024-01-17T00:12:13Z)
• Perceptual Musical Features for Interpretable Audio Tagging [2.1730712607705485]
  本研究では,音楽の自動タグ付けにおける解釈可能性の関連性について検討する。 3つの異なる情報抽出手法を組み込んだワークフローを構築した。 MTG-JamendoデータセットとGTZANデータセットの2つのデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-12-18T14:31:58Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
  我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。 音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。 次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
  論文  参考訳（メタデータ） (2023-06-18T12:56:46Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)
• A Stakeholder-Centered View on Fairness in Music Recommender Systems [5.901337162013615]
  レビューでは、まず、各利害関係者と利害関係者の視点から、MSS公正性に関する現在の文献を概説する。 レビューから生じる2つのオープンな質問は以下の通りである: (i) MRSの分野では、フェアネスの研究を行うために、限られたデータしか公開されていない。 概して、レビューでは、ほとんどの研究がMSSフェアネスの現状を分析しているのに対し、改善のためのアプローチを提案する研究はごくわずかである。
  論文  参考訳（メタデータ） (2022-09-08T16:02:16Z)
• dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
  我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。 これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。 データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
  論文  参考訳（メタデータ） (2020-07-29T19:20:07Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。