論文の概要: On the challenges of studying bias in Recommender Systems: A UserKNN case study

• arxiv url: http://arxiv.org/abs/2409.08046v1
• Date: Thu, 12 Sep 2024 13:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:56:04.629700
• Title: On the challenges of studying bias in Recommender Systems: A UserKNN case study
• Title（参考訳）: Recommender Systemsにおけるバイアス研究の課題について:UserKNNケーススタディ
• Authors: Savvina Daniil, Manel Slokom, Mirjam Cuper, Cynthia C. S. Liem, Jacco van Ossenbruggen, Laura Hollink,
• Abstract要約: 合成データと推薦システムフレームワークを組み合わせることで,データ特性とアルゴリズム構成が人気バイアスに与える影響を示す。 データ特性によっては、様々なUserKNN構成が人気バイアスの伝播に関して異なる結論をもたらす可能性がある。
• 参考スコア（独自算出の注目度）: 3.6559460496942715
• License:
• Abstract: Statements on the propagation of bias by recommender systems are often hard to verify or falsify. Research on bias tends to draw from a small pool of publicly available datasets and is therefore bound by their specific properties. Additionally, implementation choices are often not explicitly described or motivated in research, while they may have an effect on bias propagation. In this paper, we explore the challenges of measuring and reporting popularity bias. We showcase the impact of data properties and algorithm configurations on popularity bias by combining synthetic data with well known recommender systems frameworks that implement UserKNN. First, we identify data characteristics that might impact popularity bias, based on the functionality of UserKNN. Accordingly, we generate various datasets that combine these characteristics. Second, we locate UserKNN configurations that vary across implementations in literature. We evaluate popularity bias for five synthetic datasets and five UserKNN configurations, and offer insights on their joint effect. We find that, depending on the data characteristics, various UserKNN configurations can lead to different conclusions regarding the propagation of popularity bias. These results motivate the need for explicitly addressing algorithmic configuration and data properties when reporting and interpreting bias in recommender systems.
• Abstract（参考訳）: レコメンデータシステムによるバイアスの伝播に関する声明は、検証や偽造が難しいことが多い。 バイアスの研究は、公開されているデータセットの小さなプールから引き出されがちである。 さらに、実装の選択は、しばしば明示的に説明されず、研究に動機づけられるが、バイアスの伝播に影響を及ぼす可能性がある。 本稿では,人気バイアスの測定と報告の課題について考察する。 本稿では、ユーザKNNを実装したよく知られた推薦システムフレームワークと合成データを組み合わせて、データ特性とアルゴリズム構成が人気バイアスに与える影響を述べる。 まず、UserKNNの機能に基づいて、人気バイアスに影響を与える可能性のあるデータの特徴を特定する。 したがって、これらの特徴を組み合わせた様々なデータセットを生成する。 次に、文献における実装によって異なるUserKNN構成を見つける。 5つの合成データセットと5つのUserKNN構成に対する人気バイアスを評価し,それらの共同効果について考察した。 データ特性によっては、様々なUserKNN構成が人気バイアスの伝播に関して異なる結論をもたらす可能性がある。 これらの結果は、レコメンデータシステムのバイアスを報告したり解釈したりする際に、アルゴリズムの構成とデータプロパティに明示的に対処する必要性を動機付けている。

関連論文リスト

• Debiased Recommendation with Noisy Feedback [41.38490962524047]
  収集データ中のMNARとOMEから予測モデルの非バイアス学習に対する交差点脅威について検討する。 まず, OME-EIB, OME-IPS, OME-DR推定器を設計する。
  論文  参考訳（メタデータ） (2024-06-24T23:42:18Z)
• Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation [0.8315707564931466]
  現在の推奨システムは、トレーニングとテストデータセットが同じ分布を持つという仮定に依存している。 本研究では,CDCOR(Out-of-Distribution Recommendation)のためのクロスドメイン因果選好学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-23T09:21:15Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Mitigating Relational Bias on Knowledge Graphs [51.346018842327865]
  マルチホップバイアスを同時に緩和し,知識グラフにおけるエンティティとリレーションの近接情報を保存するフレームワークであるFair-KGNNを提案する。 ジェンダー占有とナショナリティ・サリーバイアスを軽減するために,2つの最先端KGNNモデル(RCCNとCompGCN)を組み込んだFair-KGNNの2例を開発した。
  論文  参考訳（メタデータ） (2022-11-26T05:55:34Z)
• Whole Page Unbiased Learning to Rank [59.52040055543542]
  アンバイアスド・ラーニング・トゥ・ランク(ULTR)アルゴリズムは、バイアスド・クリックデータを用いたアンバイアスド・ランキングモデルを学ぶために提案される。 本稿では,BALというアルゴリズムをランク付けするバイアス非依存学習を提案する。 実世界のデータセットによる実験結果から,BALの有効性が検証された。
  論文  参考訳（メタデータ） (2022-10-19T16:53:08Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Debiased Graph Neural Networks with Agnostic Label Selection Bias [59.61301255860836]
  既存のグラフニューラルネットワーク(GNN)のほとんどは、データの選択バイアスを考慮せずに提案されている。 本稿では,デコリレーションレギュレータを区別した新しいデバイアスドグラフニューラルネットワーク(DGNN)を提案する。 DGNNは既存のGNNを強化するフレキシブルなフレームワークである。
  論文  参考訳（メタデータ） (2022-01-19T16:50:29Z)
• AutoDebias: Learning to Debias for Recommendation [43.84313723394282]
  今回提案するtextitAotoDebiasは、他の(小さな)均一なデータセットを利用してデバイアスパラメータを最適化する。 我々は、AutoDebiasの一般化を導き、適切なデバイアス戦略を得る能力を証明する。
  論文  参考訳（メタデータ） (2021-05-10T08:03:48Z)
• Are Bias Mitigation Techniques for Deep Learning Effective? [24.84797949716142]
  改良された評価プロトコル、有能なメトリクス、新しいデータセットを導入する。 我々は、同じネットワークアーキテクチャを用いて、7つの最先端アルゴリズムを評価する。 アルゴリズムは隠れバイアスを悪用し、複数の形式のバイアスにスケールできず、チューニングセットの選択に非常に敏感であることがわかった。
  論文  参考訳（メタデータ） (2021-04-01T00:14:45Z)

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。