論文の概要: Mitigating Dual Latent Confounding Biases in Recommender Systems

• arxiv url: http://arxiv.org/abs/2410.12451v1
• Date: Wed, 16 Oct 2024 10:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:10.867802
• Title: Mitigating Dual Latent Confounding Biases in Recommender Systems
• Title（参考訳）: Recommender システムにおける重複潜伏分岐の緩和
• Authors: Jianfeng Deng, Qingfeng Chen, Debo Cheng, Jiuyong Li, Lin Liu, Xiaojing Du,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.119503935921188
• License:
• Abstract: Recommender systems are extensively utilised across various areas to predict user preferences for personalised experiences and enhanced user engagement and satisfaction. Traditional recommender systems, however, are complicated by confounding bias, particularly in the presence of latent confounders that affect both item exposure and user feedback. Existing debiasing methods often fail to capture the complex interactions caused by latent confounders in interaction data, especially when dual latent confounders affect both the user and item sides. To address this, we propose a novel debiasing method that jointly integrates the Instrumental Variables (IV) approach and identifiable Variational Auto-Encoder (iVAE) for Debiased representation learning in Recommendation systems, referred to as IViDR. Specifically, IViDR leverages the embeddings of user features as IVs to address confounding bias caused by latent confounders between items and user feedback, and reconstructs the embedding of items to obtain debiased interaction data. Moreover, IViDR employs an Identifiable Variational Auto-Encoder (iVAE) to infer identifiable representations of latent confounders between item exposure and user feedback from both the original and debiased interaction data. Additionally, we provide theoretical analyses of the soundness of using IV and the identifiability of the latent representations. Extensive experiments on both synthetic and real-world datasets demonstrate that IViDR outperforms state-of-the-art models in reducing bias and providing reliable recommendations.
• Abstract（参考訳）: 推薦システムは、パーソナライズされた体験に対するユーザの好みを予測し、ユーザのエンゲージメントと満足度を高めるために、様々な領域で広く利用されている。 しかし、従来のレコメンデーターシステムは、特にアイテムの露出とユーザフィードバックの両方に影響を与える潜伏した共同ファウンダーの存在において、バイアスを埋めることによって複雑である。 既存のデバイアス法は、インタラクションデータにおける潜在的共同創設者によって引き起こされる複雑なインタラクションをキャプチャできないことが多い。 そこで本研究では,インスツルメンタル変数(IV)アプローチと,インスツルメンタルオートエンコーダ(iVAE)を併用して,勧告システム(IViDR)におけるデバイアスド表現学習を実現する手法を提案する。 特に、IViDRは、IVsのようなユーザ機能の埋め込みを活用して、アイテム間の潜伏した共同創設者とユーザフィードバックの相反するバイアスに対処し、アイテムの埋め込みを再構築し、デバイアスされたインタラクションデータを取得する。 さらに、IViDRはIVAE(Identifiable Variational Auto-Encoder)を使用して、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業者の識別可能な表現を推定する。 さらに,IV の使用音質と潜在表現の識別可能性について理論的解析を行った。 合成データセットと実世界のデータセットの大規模な実験により、ITVDRはバイアスを低減し、信頼できるレコメンデーションを提供することで最先端のモデルより優れていることが示された。

関連論文リスト

• Collaborative Diffusion Model for Recommender System [52.56609747408617]
  Recommender System (CDiff4Rec) のための協調拡散モデルを提案する。 CDiff4Recはアイテム機能から擬似ユーザを生成し、本物と偽の個人的隣人の両方から協調的な信号を利用する。 3つの公開データセットによる実験結果から、CDiff4Recは、パーソナライズされた情報の損失を効果的に軽減することで、競合より優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-31T10:05:01Z)
• Disentangled Representation Learning for Causal Inference with Instruments [31.67220687652054]
  既存のIVに基づく推定器は、システム内に2つ以上のIVが存在するなど、既知のIVまたは他の強い仮定を必要とする。 本稿では,変数がプロキシであるかを知らずに,システム内にIVプロキシが存在すると仮定する緩和要求について考察する。 本稿では,変分オートエンコーダ(VAE)を用いた不整合表現学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-05T22:18:48Z)
• Data-driven Conditional Instrumental Variables for Debiasing Recommender Systems [25.632817469744325]
  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。
  論文  参考訳（メタデータ） (2024-08-19T02:17:22Z)
• Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。 ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。 我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• 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)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• 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)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)

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。