論文の概要: Graph-Structured Driven Dual Adaptation for Mitigating Popularity Bias

• arxiv url: http://arxiv.org/abs/2503.23358v1
• Date: Sun, 30 Mar 2025 08:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 19:35:57.080319
• Title: Graph-Structured Driven Dual Adaptation for Mitigating Popularity Bias
• Title（参考訳）: グラフ構造駆動型双対適応による人気バイアスの緩和
• Authors: Miaomiao Cai, Lei Chen, Yifan Wang, Zhiyong Cheng, Min Zhang, Meng Wang,
• Abstract要約: 人気バイアスは、不均一なレコメンデーションパフォーマンスを引き起こし、マシュー効果を増幅することによってレコメンデーションシステムに挑戦する。 既存の教師付きアライメントと再重み付け手法は、このバイアスを軽減するが、重要な制限がある。 これらの問題に対処するためのグラフ構造化デュアル適応フレームワーク(GSDA)を提案する。
• 参考スコア（独自算出の注目度）: 29.518103753073145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popularity bias challenges recommender systems by causing uneven recommendation performance and amplifying the Matthew effect. Limited user-item interactions confine unpopular items within embedding neighborhoods of few users, leading to representation collapse and reduced model generalization. Existing supervised alignment and reweighting methods mitigate this bias but have key limitations: (1) ignoring inherent variability across Graph Convolutional Networks (GCNs) layers, causing negative effects in deeper layers; (2) reliance on fixed hyperparameters to balance item popularity, restricting adaptability and increasing complexity. To address these issues, we propose the Graph-Structured Dual Adaptation Framework (GSDA). Our theoretical analysis identifies a crucial limitation of supervised alignment methods caused by over-smoothing in GCNs. As GCN layers deepen, popular and unpopular items increasingly lose distinctiveness, quantified by reduced conditional entropy. This diminished distinctiveness weakens supervised alignment effectiveness in mitigating popularity bias. Motivated by this, GSDA captures structural and distribution characteristics from the adjacency matrix through a dual adaptive strategy. First, a hierarchical adaptive alignment mechanism uses the adjacency matrix's Frobenius norm for layer-specific weight decay, countering conditional entropy reduction effects at deeper layers. Second, a distribution-aware dynamic contrast weighting strategy, guided by a real-time Gini coefficient, removes dependence on fixed hyperparameters, enabling adaptability to diverse data. Experiments on three benchmark datasets demonstrate GSDA significantly alleviates popularity bias and consistently outperforms state-of-the-art recommendation methods.
• Abstract（参考訳）: 人気バイアスは、不均一なレコメンデーションパフォーマンスを引き起こし、マシュー効果を増幅することによってレコメンデーションシステムに挑戦する。 限定されたユーザ・イテム相互作用は、少数のユーザの埋め込み地区内で不人気な項目を限定し、表現の崩壊とモデルの一般化を減少させる。 1)グラフ畳み込みネットワーク(GCN)層に固有のばらつきを無視し、より深い層に悪影響を及ぼす、(2)アイテムの人気のバランスをとるために固定されたハイパーパラメータに依存する、適応性を制限する、複雑さを増大させる。 これらの問題に対処するために、グラフ構造化デュアル適応フレームワーク(GSDA)を提案する。 理論解析により,GCNの過度な平滑化による教師付きアライメント手法の限界が明らかになった。 GCN層が深まるにつれて、人気度と不人気度が減少し、条件エントロピーの減少によって定量化される。 この特異性の低下は、人気バイアスを緩和する際の教師付きアライメントの有効性を弱める。 GSDAはこれに動機付けられ、二重適応戦略により隣接行列から構造と分布特性をキャプチャする。 第一に、階層的適応アライメント機構は、層特異的な重み減衰に対する隣接行列のフロベニウスノルムを使い、より深い層における条件エントロピー還元効果に対抗する。 第二に、リアルタイムのジーニ係数で導かれる分布対応動的コントラスト重み付け戦略は、固定されたハイパーパラメータへの依存を排除し、多様なデータへの適応性を実現する。 3つのベンチマークデータセットの実験では、GSDAは人気バイアスを著しく軽減し、最先端のレコメンデーション手法を一貫して上回っている。

関連論文リスト

• Unifying Perplexing Behaviors in Modified BP Attributions through Alignment Perspective [61.5509267439999]
  GBP, RectGrad, LRP, DTD などの手法の統一理論フレームワークを提案する。 活性化ニューロンの重みを結合して入力アライメントを実現することを実証した。 このアライメントにより、可視化品質が向上し、重量ランダム化に対する感度が低下する。
  論文  参考訳（メタデータ） (2025-03-14T07:58:26Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs [7.635985143883581]
  コンピュータビジョンにおける敵の攻撃に対する最も効果的な防御機構の1つとされる敵の訓練は、GNNの堅牢性を高めるという大きな約束を持っている。 本稿では,GNNと下流分類器の対摂動性を高める階層的制約改善フレームワーク(HC-Ref)を提案する。
  論文  参考訳（メタデータ） (2023-12-08T07:32:56Z)
• OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
  グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。 グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。 次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
  論文  参考訳（メタデータ） (2023-01-31T21:20:48Z)
• A Generalized Proportionate-Type Normalized Subband Adaptive Filter [25.568699776077164]
  重み付きノルムで正規化されたサブバンド誤差の最小二乗という新しい設計基準が、比例型正規化サブバンド適応フィルタリング(PtNSAF)フレームワークの一般化に有効であることを示す。 汎用PtNSAF (GPtNSAF) のシステム同定問題に対するコンピュータシミュレーションによる影響について検討した。
  論文  参考訳（メタデータ） (2021-11-17T07:49:38Z)
• Improve Generalization and Robustness of Neural Networks via Weight Scale Shifting Invariant Regularizations [52.493315075385325]
  重み劣化を含む正則化器の族は、均質な活性化関数を持つネットワークに対する本質的な重みのノルムをペナルティ化するのに有効でないことを示す。 そこで我々は,ニューラルネットワークの本質的な規範を効果的に制約する改良型正規化器を提案する。
  論文  参考訳（メタデータ） (2020-08-07T02:55:28Z)
• When Does Preconditioning Help or Hurt Generalization? [74.25170084614098]
  本稿では,第1次および第2次手法のテキスト単純バイアスが一般化特性の比較にどのように影響するかを示す。 本稿では、バイアス分散トレードオフを管理するためのいくつかのアプローチと、GDとNGDを補間する可能性について論じる。
  論文  参考訳（メタデータ） (2020-06-18T17:57:26Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。