論文の概要: Exploiting Epistemic Uncertainty in Cold-Start Recommendation Systems

• arxiv url: http://arxiv.org/abs/2502.16256v1
• Date: Sat, 22 Feb 2025 15:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:51:37.753109
• Title: Exploiting Epistemic Uncertainty in Cold-Start Recommendation Systems
• Title（参考訳）: コールドスタートレコメンデーションシステムにおける爆発性てんかんの不確かさ
• Authors: Yang Xiang, Li Fan, Chenke Yin, Menglin Kong, Chengtao Ji,
• Abstract要約: コールドスタート問題は、生成モデルに基づくレコメンデーションシステムにおいて重要な課題である。 現在の手法は主に、より多くのデータを集めることで埋め込みや入力を豊かにすることに焦点を当てている。 この非効率性は、コールドスタートレコメンデーションを改善する機会を逃す可能性がある。
• 参考スコア（独自算出の注目度）: 7.459890957600147
• License:
• Abstract: The cold-start problem remains a significant challenge in recommendation systems based on generative models. Current methods primarily focus on enriching embeddings or inputs by gathering more data, often overlooking the effectiveness of how existing training knowledge is utilized. This inefficiency can lead to missed opportunities for improving cold-start recommendations. To address this, we propose the use of epistemic uncertainty, which reflects a lack of certainty about the optimal model, as a tool to measure and enhance the efficiency with which a recommendation system leverages available knowledge. By considering epistemic uncertainty as a reducible component of overall uncertainty, we introduce a new approach to refine model performance. The effectiveness of this approach is validated through extensive offline experiments on publicly available datasets, demonstrating its superior performance and robustness in tackling the cold-start problem.
• Abstract（参考訳）: コールドスタート問題は、生成モデルに基づくレコメンデーションシステムにおいて重要な課題である。 現在の手法は主に、より多くのデータを集めることで埋め込みやインプットの強化に重点を置いており、しばしば既存のトレーニング知識の活用方法の有効性を見落としている。 この非効率性は、コールドスタートレコメンデーションを改善する機会を逃す可能性がある。 そこで本研究では,最適なモデルに対する確実性の欠如を反映した認識の不確実性を,レコメンデーションシステムが利用可能な知識を活用して効率を計測・向上するツールとして提案する。 総合的不確実性の再現可能な要素としてててんかん不確実性を考慮することにより,モデル性能を改良するための新しいアプローチを導入する。 このアプローチの有効性は、公開データセットに対する大規模なオフライン実験を通じて検証され、コールドスタート問題に対処する上で、優れたパフォーマンスと堅牢性を示す。

関連論文リスト

• Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion [2.2194815687410627]
  本稿では,コントラスト学習を統合したコールドスタートレコメンデーションモデルを提案する。 このモデルは適応的特徴選択モジュールを通じて鍵特徴の重みを動的に調整する。 マルチモーダルな特徴融合機構を組み合わせることで、ユーザ属性、アイテムメタ情報、コンテキスト特徴を統合する。
  論文  参考訳（メタデータ） (2025-02-05T23:15:31Z)
• Prompt Tuning for Item Cold-start Recommendation [21.073232866618554]
  コールドスタートフェーズの成功は、アイテムが人気のあるものに移行できるかどうかを決定するため、オンラインレコメンデーションシステムにとって、アイテムコールドスタート問題は不可欠である。 自然言語処理(NLP)においてゼロまたは少数ショット問題に対処するために使用される強力なテクニックであるPrompt Learningは、同様の課題に対処するための推奨システムに適応している。 本稿では,この2つの問題を同時に解決するために,高価値な正のフィードバック(ピンナクルフィードバック)をプロンプト情報として活用することを提案する。
  論文  参考訳（メタデータ） (2024-12-24T01:38:19Z)
• Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
  本稿では,アイテムコールドスタート問題に対処するために,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。
  論文  参考訳（メタデータ） (2024-11-18T01:30:34Z)
• Ensuring User-side Fairness in Dynamic Recommender Systems [37.20838165555877]
  本稿では,動的レコメンデーションシステムにおけるユーザ側の公正性を保証するための第一原理的な研究について述べる。 本稿では,FAir Dynamic rEcommender (FADE)を提案する。 FADEは、全体的なレコメンデーション性能を犠牲にすることなく、性能格差を効果的かつ効率的に低減することを示す。
  論文  参考訳（メタデータ） (2023-08-29T22:03:17Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• FairRoad: Achieving Fairness for Recommender Systems with Optimized Antidote Data [15.555228739298045]
  我々は、最適化された解毒剤データ(FairRoad)を用いたフェアレコメンデーションと呼ばれる新しいアプローチを提案する。 提案する解毒剤データ生成アルゴリズムは,少量の解毒剤データを用いたレコメンデータシステムの公正性を著しく向上する。
  論文  参考訳（メタデータ） (2022-12-13T17:32:44Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect [89.91745908462417]
  実験による推薦システムに対する事前学習の利点を示す。 事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2020-09-19T13:06:27Z)
• Latent Unexpected Recommendations [89.2011481379093]
  ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
  論文  参考訳（メタデータ） (2020-07-27T02:39:30Z)
• Learning the Truth From Only One Side of the Story [58.65439277460011]
  一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。 理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T18:20:28Z)

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。