Fugu-MT 論文翻訳(概要): Reproducibility Companion Paper: Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems

論文の概要: Reproducibility Companion Paper: Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems

arxiv url: http://arxiv.org/abs/2503.23032v1
Date: Sat, 29 Mar 2025 10:25:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-01 14:37:13.636342
Title: Reproducibility Companion Paper: Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems
Title（参考訳）: Reproducibility Companion Paper: make users undistinguishable: Attribute-wise Unlearning in Recommender Systems
Authors: Yuyuan Li, Junjie Fang, Chaochao Chen, Xiaolin Zheng, Yizhao Zhang, Zhongxuan Han,
Abstract要約: 本研究の目的は,提案手法の有効性を検証し,実験結果の再現を支援することである。本稿では,事前処理したデータセット,ソースコード構造,設定ファイル設定,実験環境,実験結果の詳細な説明を行う。
参考スコア（独自算出の注目度）: 17.63213159554141
License:
Abstract: In this paper, we reproduce the experimental results presented in our previous work titled "Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems," which was published in the proceedings of the 31st ACM International Conference on Multimedia. This paper aims to validate the effectiveness of our proposed method and help others reproduce our experimental results. We provide detailed descriptions of our preprocessed datasets, source code structure, configuration file settings, experimental environment, and reproduced experimental results.
Abstract（参考訳）: 本稿では,第31回ACM国際マルチメディア会議(ACM International Conference on Multimedia)の議題として,従来の研究成果である"Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems"を再現する。本研究の目的は,提案手法の有効性を検証し,実験結果の再現を支援することである。本稿では,事前処理したデータセット,ソースコード構造,設定ファイル設定,実験環境,実験結果について詳細な説明を行う。

関連論文リスト

Performance Evaluation in Multimedia Retrieval [7.801919915773585]
マルチメディア検索の性能評価は検索実験に大きく依存する。これらには、検索プロセス自体に対するヒューマン・イン・ザ・ループとマシンのみの設定と、その後の結果の検証が含まれる。本稿では,このような検索実験のすべての側面を表現するための形式モデルと,柔軟なオープンソース評価基盤を提案する。
論文参考訳（メタデータ） (2024-10-09T08:06:15Z)
Dual Test-time Training for Out-of-distribution Recommender System [91.15209066874694]
DT3ORと呼ばれるOODレコメンデーションのための新しいDual Test-Time-Trainingフレームワークを提案する。 DT3ORでは、テスト期間中にモデル適応機構を導入し、リコメンデーションモデルを慎重に更新する。我々の知る限りでは、テストタイムトレーニング戦略を通じてOODレコメンデーションに対処する最初の研究である。
論文参考訳（メタデータ） (2024-07-22T13:27:51Z)
Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文参考訳（メタデータ） (2024-02-27T09:23:13Z)
Active Teacher for Semi-Supervised Object Detection [80.10937030195228]
半教師対象検出(SSOD)のための能動教師と呼ばれる新しいアルゴリズムを提案する。 Active Teacherは、教師/学生のフレームワークを反復的なバージョンに拡張し、ラベルセットを部分的に段階的に拡張し、ラベルなし例の3つの重要な要素を評価する。この設計により、Active Teacherは、擬似ラベルの品質を改善しながら、限られたラベル情報の効果を最大化することができる。
論文参考訳（メタデータ） (2023-03-15T03:59:27Z)
Sequential Bayesian experimental designs via reinforcement learning [0.0]
我々は,BEDを逐次的に構築するために,強化学習による逐次実験設計を提案する。提案手法は,新たな実世界指向実験環境を提案することで,期待される情報獲得を最大化することを目的としている。提案手法は,EIGやサンプリング効率などの指標において,既存の手法よりも優れていることを確認した。
論文参考訳（メタデータ） (2022-02-14T04:29:04Z)
Reproducibility Companion Paper: Knowledge Enhanced Neural Fashion Trend Forecasting [78.046352507802]
Python実装を使用した実験の複製を可能にするアーティファクトを提供する。本稿では,本論文で実施した実験を再現し,前報と同様の性能を得る。
論文参考訳（メタデータ） (2021-05-25T10:53:11Z)
Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文参考訳（メタデータ） (2020-11-02T08:07:50Z)
Effective Distributed Representations for Academic Expert Search [1.9815631757151737]
学術論文の異なる分散表現(埋め込み)が学術専門家の検索にどのように影響するかを考察する。特に,文脈的埋め込みが検索性能に与える影響について検討する。文類似性タスクのために訓練されたトランスフォーマーモデルによって生成された文脈埋め込みを用いることで、最も効果的な論文表現が得られることを観察する。
論文参考訳（メタデータ） (2020-10-16T09:43:18Z)
Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
実験者は、グローバルな最適な場所に関する知識を得ることができる。グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
論文参考訳（メタデータ） (2020-02-26T01:57:36Z)

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。