論文の概要: Robust Matrix Completion for Discrete Rating-Scale Data: Coping with Fake Profiles in Recommender Systems

• arxiv url: http://arxiv.org/abs/2412.20802v2
• Date: Tue, 29 Jul 2025 11:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 14:59:50.868067
• Title: Robust Matrix Completion for Discrete Rating-Scale Data: Coping with Fake Profiles in Recommender Systems
• Title（参考訳）: 離散型レーティングスケールデータに対するロバスト行列補完:レコメンダシステムにおけるフェイクプロファイルを用いた符号化
• Authors: Aurore Archimbaud, Andreas Alfons, Ines Wilms,
• Abstract要約: マトリックス補完は、まだ評価されていないアイテムに対するユーザの好みを予測するために使用される。 本研究では,スパース評価尺度データの離散特性を扱うために,ロバストな離散行列補完法を提案する。 本研究は,現実的なシナリオ下での推薦システムに対する行列補完手法の評価方法について,将来的な研究のために統計的に健全な青写真を提供する。
• 参考スコア（独自算出の注目度）: 1.8638865257327277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are essential tools in the digital landscape for connecting users with content that more closely aligns with their preferences. Matrix completion is a widely used statistical framework for such systems, aiming to predict a user's preferences for items they have not yet rated by leveraging the observed ratings in a partially filled user-item rating matrix. Realistic applications of matrix completion in recommender systems must address several challenges that are too often neglected: (i) the discrete nature of rating-scale data, (ii) the presence of malicious users who manipulate the system to their advantage through the creation of fake profiles, and (iii) missing-not-at-random patterns, where users are more likely to rate items they expect to enjoy. Our goal in this paper is twofold. First, we propose a novel matrix completion method, robust discrete matrix completion (RDMC), designed specifically to handle the discrete nature of sparse rating-scale data and to remain reliable in the presence of adversarial manipulation. We evaluate RDMC through carefully designed experiments and realistic case studies. Our work therefore, secondly, offers a statistically-sound blueprint for future studies on how to evaluate matrix completion methods for recommender systems under realistic scenarios.
• Abstract（参考訳）: レコメンダシステムは、ユーザの好みとより密接に一致したコンテンツとユーザを結びつけるために、デジタルランドスケープにおいて不可欠なツールである。 マトリックスコンプリート(マトリックスコンプリート)は,ユーザがまだ評価していない項目に対する選好を,部分的に満たされたユーザイテム評価行列を用いて予測することを目的とした,そのようなシステムにおいて広く使用されている統計フレームワークである。 推薦システムにおける行列完備化の現実的な応用は、しばしば無視されるいくつかの課題に対処しなければならない。 (i)レーティングスケールデータの離散的性質 (二 偽のプロフィールを作成することにより、システムを操作する悪意のあるユーザーの存在 第三に、ユーザーが期待するアイテムを格付けする傾向にあるランダムなパターンが欠けていること。 この論文の目標は2つです。 まず,厳密な離散行列補完法 (RDMC) を提案する。 RDMCを慎重に設計した実験と現実的なケーススタディにより評価する。 そこで,本研究は,現実シナリオ下での推薦システムに対する行列補完手法の評価方法について,統計的に妥当な青写真を提供する。

関連論文リスト

• Concentration properties of fractional posterior in 1-bit matrix completion [0.0]
  この研究は、しばしば1ビット行列完備化と呼ばれるバイナリ観測のシナリオに特に対処する。 一般の非一様サンプリング方式を考慮し、分数後方の有効性に関する理論的保証を提供することにより、このギャップに対処する。 我々の結果は、頻繁な文献に見られるものと同等であるが、制限的な仮定は少ない。
  論文  参考訳（メタデータ） (2024-04-13T11:22:53Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Exploiting Observation Bias to Improve Matrix Completion [16.57405742112833]
  本稿では,行列補完の変種について考察する。 目標は、バイアスと関心の結果の間の共有情報を利用して予測を改善することである。 この2段階のアルゴリズムでは,従来の行列補完法に比べて平均2乗誤差が30倍小さいことが判明した。
  論文  参考訳（メタデータ） (2023-06-07T20:48:35Z)
• A Generalized Latent Factor Model Approach to Mixed-data Matrix Completion with Entrywise Consistency [3.299672391663527]
  マトリックスコンプリート(Matrix completion)は、部分的に観察された行列における欠落したエントリの予測に関する機械学習手法のクラスである。 非線型因子モデルの一般族の下での低ランク行列推定問題として定式化する。 低ランク行列を推定するためのエントリーワイドな一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2022-11-17T00:24:47Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Causal Matrix Completion [15.599296461516984]
  マトリックス完備化(Matrix completion)は、ノイズ観測のスパース部分集合から基礎となる行列を復元する研究である。 伝統的に、行列の成分は「ランダムに完全に欠落している」と仮定される。
  論文  参考訳（メタデータ） (2021-09-30T14:17:56Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Robust Matrix Completion with Mixed Data Types [0.0]
  我々は,データ型が混在する部分的なエントリを持つ構造的低ランク行列を復元する問題を考察する。 ほとんどのアプローチは、基礎となる分布は1つしかないと仮定し、低階の制約は、行列 Satten Norm によって正則化される。 本稿では, 並列化に適したアルゴリズムフレームワークとともに, 高い回復保証を有する計算可能な統計手法を提案し, 混合データ型に対する部分的に観測されたエントリを持つ低階行列を1ステップで復元する。
  論文  参考訳（メタデータ） (2020-05-25T21:35:10Z)
• A Robust Functional EM Algorithm for Incomplete Panel Count Data [66.07942227228014]
  完全無作為な仮定(MCAR)の下での数え上げ過程の平均関数を推定する機能的EMアルゴリズムを提案する。 提案アルゴリズムは、いくつかの一般的なパネル数推定手法をラップし、不完全数にシームレスに対処し、ポアソン過程の仮定の誤特定に頑健である。 本稿では, 数値実験による提案アルゴリズムの有用性と喫煙停止データの解析について述べる。
  論文  参考訳（メタデータ） (2020-03-02T20:04:38Z)

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。