論文の概要: Solving the Cold Start Problem on One's Own as an End User via Preference Transfer

• arxiv url: http://arxiv.org/abs/2502.12398v1
• Date: Tue, 18 Feb 2025 00:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:59.545657
• Title: Solving the Cold Start Problem on One's Own as an End User via Preference Transfer
• Title（参考訳）: 好み伝達によるエンドユーザとしての自己のコールドスタート問題の解決
• Authors: Ryoma Sato,
• Abstract要約: コールドスタート問題はレコメンデーターシステムで一般的な問題である。 本研究では,エンドユーザーが積極的にコールドスタート問題を解くアルゴリズムであるPretenderを提案する。
• 参考スコア（独自算出の注目度）: 17.912507269030577
• License:
• Abstract: We propose a new approach that enables end users to directly solve the cold start problem by themselves. The cold start problem is a common issue in recommender systems, and many methods have been proposed to address the problem on the service provider's side. However, when the service provider does not take action, users are left with poor recommendations and no means to improve their experience. We propose an algorithm, Pretender, that allows end users to proactively solve the cold start problem on their own. Pretender does not require any special support from the service provider and can be deployed independently by users. We formulate the problem as minimizing the distance between the source and target distributions and optimize item selection from the target service accordingly. Furthermore, we establish theoretical guarantees for Pretender based on a discrete quadrature problem. We conduct experiments on real-world datasets to demonstrate the effectiveness of Pretender.
• Abstract（参考訳）: 本稿では,エンドユーザによるコールドスタート問題を直接解決するための新しいアプローチを提案する。 コールドスタート問題はレコメンダシステムにおいて一般的な問題であり、サービスプロバイダ側の問題に対処する多くの方法が提案されている。 しかしながら、サービスプロバイダがアクションを起こさない場合、ユーザは推奨が不十分で、エクスペリエンスを改善する手段がないままです。 本研究では,エンドユーザーが積極的にコールドスタート問題を解くアルゴリズムであるPretenderを提案する。 Pretenderはサービスプロバイダからの特別なサポートを必要としない。 我々は、ソースとターゲットの分布間の距離を最小化し、対象サービスからのアイテム選択を最適化する、という問題を定式化する。 さらに、離散的二次問題に基づいて、Pretenderの理論的保証を確立する。 実世界のデータセットで実験を行い、Pretenderの有効性を実証する。

関連論文リスト

• Design a Win-Win Strategy That Is Fair to Both Service Providers and Tasks When Rejection Is Not an Option [19.500713642302838]
  1つはタスクの最高待ち時間を最小化することに焦点を当て、もう1つはサービスプロバイダの最高ワークロードを最小限にすることを目的としています。 第2の問題は線形プログラムとして表現でき、第1の課題の目的に対する妥当な近似を維持しつつ効率よく解決できることを示す。
  論文  参考訳（メタデータ） (2024-05-22T15:52:33Z)
• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• User-Side Realization [17.912507269030577]
  ユーザ側実現は、ユーザの側で共通の問題に対処する汎用アルゴリズムを提供することによって、この問題に対する積極的な解決策を提供する。 これらのアルゴリズムはユーザの側で動作し、サービスプロバイダ自身がサービスを変更することなく問題を解決します。
  論文  参考訳（メタデータ） (2024-03-23T08:03:50Z)
• Initializing Services in Interactive ML Systems for Diverse Users [29.445931639366325]
  異種データ分布を持つ複数のサブポピュレーションにまたがるユーザから対話的に学習するMLシステムについて検討する。 そこで本稿では,サービスセットを初期化しながら,ごく少数のユーザの好みデータ収集を適応的に行うランダム化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-19T04:26:12Z)
• Online Decision Mediation [72.80902932543474]
  意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。 臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
  論文  参考訳（メタデータ） (2023-10-28T05:59:43Z)
• Personalized First Issue Recommender for Newcomers in Open Source Projects [12.444293953494032]
  我々は37人の新参者を分析し、その最初の問題は複数のプロジェクトにわたって解決した。 同じ新参者によって解決された最初の問題は、タスクタイプ、プログラミング言語、プロジェクトドメインにおける類似点を共有している。 提案するPFIRecは,特定された影響力のある特徴を生かして,新参者の候補課題のランク付けを行う。
  論文  参考訳（メタデータ） (2023-08-17T15:19:13Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
  本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
  論文  参考訳（メタデータ） (2021-11-01T19:49:35Z)
• Deconfounded Causal Collaborative Filtering [56.41625001876272]
  推薦システムは、様々な種類の共起因子(共同設立者とも呼ばれる)によって構成される。 本稿では,この問題を解決するために,Decon founded Causal Collaborative Filtering (DCCF)を提案する。 当社の手法は、保守されていない共同ファウンダーを非難して、より良いレコメンデーションパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-10-14T02:23:33Z)
• A Mutual Information Maximization Approach for the Spurious Solution Problem in Weakly Supervised Question Answering [60.768146126094955]
  弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。 偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。 本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
  論文  参考訳（メタデータ） (2021-06-14T05:47:41Z)
• ColdGAN: Resolving Cold Start User Recommendation by using Generative Adversarial Networks [0.1529342790344802]
  我々は、この問題を解決するためにサイド情報を使用しない、エンドツーエンドのGANベースモデルであるColdGANを提案する。 提案手法は,最先端のレコメンデータに比べて性能が大幅に向上する。
  論文  参考訳（メタデータ） (2020-11-25T08:10:35Z)

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。