論文の概要: Improving Minimax Group Fairness in Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2501.18117v1
• Date: Thu, 30 Jan 2025 03:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:13:35.931236
• Title: Improving Minimax Group Fairness in Sequential Recommendation
• Title（参考訳）: シークエンシャルレコメンデーションにおけるミニマックス群フェアネスの改善
• Authors: Krishna Acharya, David Wardrope, Timos Korres, Aleksandr Petrov, Anders Uhrenholt,
• Abstract要約: グループDRO,ストリーミングDRO,条件付きリスク(CVaR)DROについて検討した。 CVaRでは,DRO法が標準訓練より優れており,最高の結果が得られている。 i) CVaRのリコメンデーションへの新たな応用,(ii) DRO法がグループメトリクスと全体的なパフォーマンスを改善すること,(iii) CVaRの有効性をユーザグループを横断する実践的なシナリオで示すこと,などである。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: Training sequential recommenders such as SASRec with uniform sample weights achieves good overall performance but can fall short on specific user groups. One such example is popularity bias, where mainstream users receive better recommendations than niche content viewers. To improve recommendation quality across diverse user groups, we explore three Distributionally Robust Optimization(DRO) methods: Group DRO, Streaming DRO, and Conditional Value at Risk (CVaR) DRO. While Group and Streaming DRO rely on group annotations and struggle with users belonging to multiple groups, CVaR does not require such annotations and can naturally handle overlapping groups. In experiments on two real-world datasets, we show that the DRO methods outperform standard training, with CVaR delivering the best results. Additionally, we find that Group and Streaming DRO are sensitive to the choice of group used for loss computation. Our contributions include (i) a novel application of CVaR to recommenders, (ii) showing that the DRO methods improve group metrics as well as overall performance, and (iii) demonstrating CVaR's effectiveness in the practical scenario of intersecting user groups.
• Abstract（参考訳）: 均一なサンプル重量を持つSASRecなどのシーケンシャルレコメンデータのトレーニングは、全体的なパフォーマンスは良好だが、特定のユーザグループでは不足する可能性がある。 メインストリームのユーザーはニッチなコンテンツ視聴者よりも良いレコメンデーションを受けられる。 多様なユーザグループ間の推薦品質を改善するために,グループDRO,ストリーミングDRO,条件値DROの3つの分散ロバスト最適化手法を探索する。 GroupとStreaming DROは、グループアノテーションと複数のグループに属するユーザとの競合に頼っているが、CVaRはそのようなアノテーションを必要とせず、自然に重複するグループを扱うことができる。 実世界の2つのデータセットの実験では、DRO法が標準トレーニングより優れており、CVaRが最良の結果をもたらすことが示されている。 さらに、グループとストリーミングDROは損失計算に使用されるグループの選択に敏感であることが判明した。 コントリビューションには i) CVaRのレコメンデーターへの新規な適用 (II)DRO手法がグループメトリクスと全体的なパフォーマンスを改善していることを示す。 三 CVaRの有効性をユーザグループ間における実践シナリオで実証すること。

関連論文リスト

• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Bitrate-Constrained DRO: Beyond Worst Case Robustness To Unknown Group Shifts [122.08782633878788]
  いくつかの堅牢なトレーニングアルゴリズム(例えば、グループDRO)は、グループシフトを専門とし、すべてのトレーニングポイントについてグループ情報を必要とする。 グループアノテーションを必要としない他の方法(CVaR DROなど)は、過度に保守的である。 低機能により実現された単純な群関数の精度を維持するモデルを学習する。
  論文  参考訳（メタデータ） (2023-02-06T17:07:16Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• DORO: Distributional and Outlier Robust Optimization [98.44757325531631]
  本稿では,分散ロバスト最適化のためのDOROのフレームワークを提案する。 このアプローチのコアとなるのは、DROがオーバーフィットして潜在的な外れ値に収まらないような、洗練されたリスク関数である。 提案手法の有効性を理論的に証明し, DOROがDROの性能と安定性を向上することを示す。
  論文  参考訳（メタデータ） (2021-06-11T02:59:54Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。