論文の概要: Contextual Preference Collaborative Measure Framework Based on Belief System

• arxiv url: http://arxiv.org/abs/2503.24328v1
• Date: Mon, 31 Mar 2025 17:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:37:52.570950
• Title: Contextual Preference Collaborative Measure Framework Based on Belief System
• Title（参考訳）: 信念システムに基づく文脈選好協調尺度フレームワーク
• Authors: Hang Yu, Wei Wei, Zheng Tan, Jing-lei Liu,
• Abstract要約: 本稿では、更新された信条システムに基づく嗜好協調測度フレームワークを提案する。 また、選好測度アルゴリズムの精度と効率を向上させることができる。
• 参考スコア（独自算出の注目度）: 15.67367955162946
• License:
• Abstract: To reduce the human intervention in the preference measure process,this article proposes a preference collaborative measure framework based on an updated belief system,which is also capable of improving the accuracy and efficiency of preferen-ce measure algorithms.Firstly,the distance of rules and the average internal distance of rulesets are proposed for specifying the relationship between the rules.For discovering the most representative preferences that are common in all users,namely common preference,a algorithm based on average internal distance of ruleset,PRA algorithm,is proposed,which aims to finish the discoveryprocess with minimum information loss rate.Furthermore,the concept of Common belief is proposed to update the belief system,and the common preferences are the evidences of updated belief system.Then,under the belief system,the proposed belief degree and deviation degree are used to determine whether a rule confirms the belief system or not and classify the preference rules into two kinds(generalized or personalized),and eventually filters out Top-K interesting rules relying on belief degree and deviation degree.Based on above,a scalable interestingness calculation framework that can apply various formulas is proposed for accurately calculating interestingness in different conditions.At last,IMCos algorithm and IMCov algorithm are proposed as exemplars to verify the accuracy and efficiency of the framework by using weighted cosine similarity and correlation coefficients as belief degree.In experiments,the proposed algorithms are compared to two state-of-the-art algorithms and the results show that IMCos and IMCov outperform than the other two in most aspects.
• Abstract（参考訳）: 本論では、優先測度プロセスにおける人間の介入を減らすために、優先測度アルゴリズムの精度と効率を向上する更新測度システムに基づく選好協調測度フレームワークを提案し、まず、ルール間の関係を規定するルールセットの距離と平均内在距離について提案する。ルールセットの平均内在距離に基づくアルゴリズムであるPRAアルゴリズムにおいて、すべてのユーザに共通する最も代表的な選好を発見するために、最小情報損失率で発見プロセスの終了を目標とするPRAアルゴリズムを提案する。さらに、共通測度の概念は、信念体系を更新するために提案され、共通測度と偏差は、更新測度システムの証拠である。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
  RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。 因果的観点からRSを定式化し、二元的介入として勧告を定式化する。 提案手法では,結果の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T07:21:02Z)
• On the Maximal Local Disparity of Fairness-Aware Classifiers [35.98015221840018]
  種々の予測近傍(MCDP)に沿った最大累積比差という新しい公正度尺度を提案する。 MCDPを精度よく効率的に計算するために,推定誤差の少ない計算複雑性を大幅に低減する,証明可能な精度と近似計算アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-06-05T13:35:48Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Rethinking Algorithmic Fairness for Human-AI Collaboration [29.334511328067777]
  アルゴリズムフェアネスに対する既存のアプローチは、人間の意思決定者がアルゴリズムに完全に従えば、公平な結果を確保することを目的としている。 我々は、独立して公平で、コンプライアンスが不当に公正で、人間のポリシーよりも正確であるアルゴリズムレコメンデーションを設計することは不可能であることを示した。
  論文  参考訳（メタデータ） (2023-10-05T16:21:42Z)
• Normalized mutual information is a biased measure for classification and community detection [0.4779196219827508]
  我々は、正規化された相互情報によって返される結果は2つの理由により偏りがあると主張している。 本稿では,どのアルゴリズムが最適かという結論が,従来の相互情報のバイアスに大きく影響されていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T18:12:32Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Interpretable and Fair Boolean Rule Sets via Column Generation [18.08486863429421]
  整数プログラムは、規則単純性のために最適に分類精度を交換するように定式化される。 公平性の設定を考慮し、分類パリティの2つの異なる尺度に関する明示的な制約を含むように定式化を拡張した。 他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
  論文  参考訳（メタデータ） (2021-11-16T13:40:28Z)
• Average-Reward Off-Policy Policy Evaluation with Function Approximation [66.67075551933438]
  平均報酬MDPの関数近似によるオフポリシ政策評価を検討する。 ブートストラップは必要であり、オフポリシ学習とFAと一緒に、致命的なトライアドをもたらす。 そこで本研究では,勾配型tdアルゴリズムの成功を再現する2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-08T00:43:04Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。