論文の概要: The Urban Impact of AI: Modeling Feedback Loops in Next-Venue Recommendation

• arxiv url: http://arxiv.org/abs/2504.07911v1
• Date: Thu, 10 Apr 2025 17:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:23:31.184149
• Title: The Urban Impact of AI: Modeling Feedback Loops in Next-Venue Recommendation
• Title（参考訳）: AIの都市的影響 - 次世代レコメンデーションにおけるフィードバックループのモデル化
• Authors: Giovanni Mauro, Marco Minici, Luca Pappalardo,
• Abstract要約: 次世代のレコメンデータシステムは、ロケーションベースのサービスにますます組み込まれている。 我々は,次世代の勧告を支える人間とAIのフィードバックループをモデル化するためのシミュレーションフレームワークを提案する。 当社のフレームワークは,次回の勧告でフィードバックループを運用し,AI支援モビリティの社会的影響を評価するための新たなレンズを提供する。
• 参考スコア（独自算出の注目度）: 1.4467930374568725
• License:
• Abstract: Next-venue recommender systems are increasingly embedded in location-based services, shaping individual mobility decisions in urban environments. While their predictive accuracy has been extensively studied, less attention has been paid to their systemic impact on urban dynamics. In this work, we introduce a simulation framework to model the human-AI feedback loop underpinning next-venue recommendation, capturing how algorithmic suggestions influence individual behavior, which in turn reshapes the data used to retrain the models. Our simulations, grounded in real-world mobility data, systematically explore the effects of algorithmic adoption across a range of recommendation strategies. We find that while recommender systems consistently increase individual-level diversity in visited venues, they may simultaneously amplify collective inequality by concentrating visits on a limited subset of popular places. This divergence extends to the structure of social co-location networks, revealing broader implications for urban accessibility and spatial segregation. Our framework operationalizes the feedback loop in next-venue recommendation and offers a novel lens through which to assess the societal impact of AI-assisted mobility-providing a computational tool to anticipate future risks, evaluate regulatory interventions, and inform the design of ethic algorithmic systems.
• Abstract（参考訳）: 次世代のレコメンデーターシステムは、都市環境における個別のモビリティ決定を形作る、ロケーションベースのサービスにますます組み込まれている。 予測精度は広く研究されているが、都市力学に対する体系的な影響にはあまり注意が払われていない。 本研究では,人間とAIのフィードバックループをモデル化し,アルゴリズムによる提案が個人の行動にどのように影響するかを推定し,モデルの再トレーニングに使用するデータを再評価するシミュレーションフレームワークを提案する。 我々のシミュレーションは実世界のモビリティデータに基づいており、様々な推奨戦略にまたがってアルゴリズムの適用効果を体系的に検討している。 来場者における個人レベルの多様性を継続的に向上させる一方で、人気のある場所の限られたサブセットへの訪問を集中させることにより、集団的不平等を同時に増幅する可能性がある。 このばらつきは、社会的コロケーションネットワークの構造にまで広がり、都市のアクセシビリティと空間的分離に対するより広範な影響を明らかにしている。 本フレームワークは,次世代の推薦においてフィードバックループを運用し,AI支援型移動支援計算ツールの社会的影響を評価し,今後のリスクを予測し,規制介入を評価し,倫理的アルゴリズムシステムの設計を通知する新たなレンズを提供する。

関連論文リスト

• Towards Recommender Systems LLMs Playground (RecSysLLMsP): Exploring Polarization and Engagement in Simulated Social Networks [6.813586966214873]
  本稿では,Large Language Models (LLMs) を利用した新しいシミュレーションフレームワークを提案する。 説明的、静的、動的属性を持つ多様なAIエージェントを作成することで、3つのシナリオにわたって自律的な振る舞いを評価する。 本研究は, 社会的分極を緩和しつつ, ユーザの満足度を高めるためのレコメンデータシステム設計において, 慎重なバランスの必要性を強調するものである。
  論文  参考訳（メタデータ） (2025-01-29T14:23:34Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
  動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。 動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。 我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
  論文  参考訳（メタデータ） (2023-10-06T11:17:28Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
  視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。 まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。 我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• 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)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Pedestrian Action Anticipation using Contextual Feature Fusion in Stacked RNNs [19.13270454742958]
  交差点における歩行者行動予測問題の解法を提案する。 提案手法では,シーン動的・視覚的特徴の両面から収集した情報を徐々にネットワークに融合する新しいRNNアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2020-05-13T20:59:37Z)
• Value Driven Representation for Human-in-the-Loop Reinforcement Learning [33.79501890330252]
  我々は,システム設計者が,強化学習エージェントが使用する観測空間を定義するために,センサセットや特徴セットを選択する方法のアルゴリズム的基礎に焦点をあてる。 本稿では、強化学習エージェントの観測空間を反復的かつ適応的に拡張するアルゴリズム、値駆動表現(VDR)を提案する。 シミュレーションされた人間を用いた標準RLベンチマークによる手法の性能評価を行い、従来のベースラインよりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2020-04-02T18:45:45Z)

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。