論文の概要: Bias Reduction in Social Networks through Agent-Based Simulations

• arxiv url: http://arxiv.org/abs/2409.16558v1
• Date: Wed, 25 Sep 2024 02:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 05:55:22.585884
• Title: Bias Reduction in Social Networks through Agent-Based Simulations
• Title（参考訳）: エージェント・ベース・シミュレーションによるソーシャルネットワークのバイアス低減
• Authors: Nathan Bartley, Keith Burghardt, Kristina Lerman,
• Abstract要約: ネットワーク特性に基づいてフィードを構成する単純な欲求アルゴリズムにより、ランダムフィードに匹敵する知覚バイアスを低減できることを示す。 このことは、ソーシャルネットワークのコンテキストにおけるレコメンダシステムの有効性を決定する上で、ネットワーク構造が持つ影響を裏付けるものである。
• 参考スコア（独自算出の注目度）: 1.9608359347635145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online social networks use recommender systems to suggest relevant information to their users in the form of personalized timelines. Studying how these systems expose people to information at scale is difficult to do as one cannot assume each user is subject to the same timeline condition and building appropriate evaluation infrastructure is costly. We show that a simple agent-based model where users have fixed preferences affords us the ability to compare different recommender systems (and thus different personalized timelines) in their ability to skew users' perception of their network. Importantly, we show that a simple greedy algorithm that constructs a feed based on network properties reduces such perception biases comparable to a random feed. This underscores the influence network structure has in determining the effectiveness of recommender systems in the social network context and offers a tool for mitigating perception biases through algorithmic feed construction.
• Abstract（参考訳）: オンラインソーシャルネットワークは、パーソナライズされたタイムラインという形で、ユーザに対して関連する情報を提案するためにレコメンデーションシステムを使用する。 各ユーザが同じタイムライン条件下にあると仮定できず、適切な評価インフラを構築するのにコストがかかるため、これらのシステムが大規模に情報を公開する方法を研究することは困難である。 ユーザーが好みを定めている単純なエージェントベースモデルにより、異なるレコメンデーションシステム(とそれによってパーソナライズされたタイムライン)を比較して、ユーザのネットワークに対する認識を損なうことができることを示す。 重要なことは、ネットワーク特性に基づいてフィードを構成する単純な欲求アルゴリズムが、ランダムフィードに匹敵する知覚バイアスを減少させることである。 このことは、ソーシャルネットワークの文脈におけるレコメンダシステムの有効性を決定する上で、ネットワーク構造が持つ影響を浮き彫りにし、アルゴリズムフィード構築による知覚バイアスを軽減するためのツールを提供する。

関連論文リスト

• Recommendation Fairness in Social Networks Over Time [20.27386486425493]
  提案手法は,時間経過に伴う推薦公平性の進化と動的ネットワーク特性との関係について検討する。 提案手法によらず,推奨公正性は時間の経過とともに向上することが示唆された。 マイノリティ比とホモフィリー比の2つのネットワーク特性は、時間とともに公平性と安定した相関を示す。
  論文  参考訳（メタデータ） (2024-02-05T19:03:23Z)
• Big-data-driven and AI-based framework to enable personalization in wireless networks [20.26379197206863]
  無線ネットワークにパーソナライズを統合するためのビッグデータ駆動型AIベースのパーソナライズフレームワークを提案する。 各ユーザの実際の要件とコンテキストに基づいて、マルチオブジェクトの定式化により、ネットワークは、提供されたユーザの満足度レベルを同時に管理し、最適化することができる。
  論文  参考訳（メタデータ） (2023-06-08T02:30:55Z)
• Fair Information Spread on Social Networks with Community Structure [2.9613974659787132]
  インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。 この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
  論文  参考訳（メタデータ） (2023-05-15T16:51:18Z)
• A Comparative Analysis of Bias Amplification in Graph Neural Network Approaches for Recommender Systems [0.0]
  バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。 本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
  論文  参考訳（メタデータ） (2023-01-18T16:29:05Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Locate Who You Are: Matching Geo-location to Text for Anchor Link Prediction [40.654494490237]
  ネットワーク間のユーザマッチングのための新しいアンカーリンク予測フレームワークを提案する。 提案手法は既存の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-04-19T08:15:28Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。