論文の概要: The Relevance of Item-Co-Exposure For Exposure Bias Mitigation

• arxiv url: http://arxiv.org/abs/2409.12912v2
• Date: Fri, 20 Sep 2024 07:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:26:54.594412
• Title: The Relevance of Item-Co-Exposure For Exposure Bias Mitigation
• Title（参考訳）: 露光バイアス低減のためのアイテム・コ・エクスポージャーの関連性
• Authors: Thorsten Krause, Alina Deriyeva, Jan Heinrich Beinke, Gerrit York Bartels, Oliver Thomas,
• Abstract要約: 暗黙のフィードバックレコメンダシステムでは、ログ化されたインタラクションに影響を与え、最終的には彼ら自身のレコメンデーションに影響を与えます。 この効果は露光バイアスと呼ばれ、フィルターバブルやエコーチャンバーなどの問題を引き起こす可能性がある。 従来の研究では、合成データの露出バイアスを低減するために、露出情報を持つマルチノミアルロジットモデル(MNL)が用いられていた。
• 参考スコア（独自算出の注目度）: 0.9903198600681908
• License:
• Abstract: Through exposing items to users, implicit feedback recommender systems influence the logged interactions, and, ultimately, their own recommendations. This effect is called exposure bias and it can lead to issues such as filter bubbles and echo chambers. Previous research employed the multinomial logit model (MNL) with exposure information to reduce exposure bias on synthetic data. This extended abstract summarizes our previous study in which we investigated whether (i) these findings hold for human-generated choices, (ii) other discrete choice models mitigate bias better, and (iii) an item's estimated relevance can depend on the relevances of the other items that were presented with it. We collected a data set of biased and unbiased choices in a controlled online user study and measured the effects of overexposure and competition. We found that (i) the discrete choice models effectively mitigated exposure bias on human-generated choice data, (ii) there were no significant differences in robustness among the different discrete choice models, and (iii) only multivariate discrete choice models were robust to competition between items. We conclude that discrete choice models mitigate exposure bias effectively because they consider item-co-exposure. Moreover, exposing items alongside more or less popular items can bias future recommendations significantly and item exposure must be tracked for overcoming exposure bias. We consider our work vital for understanding what exposure bias it, how it forms, and how it can be mitigated.
• Abstract（参考訳）: アイテムをユーザに公開することで、暗黙のフィードバックレコメンダシステムは、ログ化されたインタラクションに影響を与え、最終的には彼ら自身のレコメンデーションに影響を与えます。 この効果は露光バイアスと呼ばれ、フィルターバブルやエコーチャンバーなどの問題を引き起こす可能性がある。 従来の研究では、合成データの露出バイアスを低減するために、露出情報を持つマルチノミアルロジットモデル(MNL)が用いられていた。 この拡張された要約は、我々が調査した以前の研究を要約している。 (i)これらの結果は人為的な選択に当てはまる。 (ii)他の離散選択モデルはバイアスを緩和し、 三 商品の関連性は、他の商品の関連性に依存することができる。 コントロールされたオンラインユーザスタディにおいて,偏りのある選択と偏りのない選択のデータセットを収集し,過剰な露出と競争の影響を測定した。 私たちはそれを発見しました 一 人為選択データに対する露光バイアスを効果的に緩和する個別選択モデル。 (II) 異なる選択モデル間で頑健性に有意な差は見られず、 (3)多変量離散選択モデルのみが項目間の競合に対して堅牢であった。 個別選択モデルは、アイテム・コ・エクスポージャーを考慮すれば、露光バイアスを効果的に軽減できると結論付けている。 さらに、多かれ少なかれ人気のあるアイテムと一緒にアイテムを露出することは、将来の推奨事項を著しく偏り、露出バイアスを克服するためにアイテムの露出を追跡する必要がある。 私たちは、露出バイアスが何であるか、どのように形成され、どのように緩和されるのかを理解するのに、我々の仕事は不可欠だと考えています。

関連論文リスト

• Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference [50.95521705711802]
  従来の研究では、予測モデルの偏りのない学習を実現するために、選択バイアスに対処することに注力してきた。 本稿では、因果推論の観点から、近隣効果を干渉問題として公式に定式化する。 本稿では,近隣効果の存在下で選択バイアスに対処できる新しい理想的損失を提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:20:41Z)
• 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)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• 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)
• 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)
• Debiased Explainable Pairwise Ranking from Implicit Feedback [0.3867363075280543]
  BPR(Bayesian Personalized Ranking)に焦点をあてる。 BPRはアウトプットを説明しないブラックボックスモデルであり、ユーザのレコメンデーションに対する信頼を制限する。 本稿では,項目に基づく説明とともにレコメンデーションを生成する新しい説明可能な損失関数と,それに対応する行列分解モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-30T17:19:37Z)
• On the Efficacy of Adversarial Data Collection for Question Answering: Results from a Large-Scale Randomized Study [65.17429512679695]
  逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。 ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-06-02T00:48:33Z)
• Model Selection's Disparate Impact in Real-World Deep Learning Applications [3.924854655504237]
  アルゴリズムの公平性は、自動決定結果におけるバイアスデータの役割を強調している。 このような偏見の1つ、モデル選択における人間の嗜好は、人口集団間で異なる影響を及ぼす役割において、未解明のままである、と我々は主張する。
  論文  参考訳（メタデータ） (2021-04-01T16:37:01Z)

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。