論文の概要: The Dilemma Between Euphoria and Freedom in Recommendation Algorithms

• arxiv url: http://arxiv.org/abs/2505.11465v1
• Date: Fri, 16 May 2025 17:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.764429
• Title: The Dilemma Between Euphoria and Freedom in Recommendation Algorithms
• Title（参考訳）: 推薦アルゴリズムにおけるユーフォリアと自由のジレンマ
• Authors: James Brusseau,
• Abstract要約: 今日のAIレコメンデーションアルゴリズムは、ユーホリアと自由の間の人間のジレンマを生み出します。 人間の自由の概念は、既に存在するものを満たすのではなく、ユーザーにとって馴染みの無い利益を促進するものである。 その結果、人間の新しいアイデンティティが生まれました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Today's AI recommendation algorithms produce a human dilemma between euphoria and freedom. To elaborate, four ways that recommenders reshape experience are delineated. First, the human experience of convenience is tuned to euphoric perfection. Second, a kind of personal authenticity becomes capturable with algorithms and data. Third, a conception of human freedom emerges, one that promotes unfamiliar interests for users instead of satisfying those that already exist. Finally, a new human dilemma is posed between two types of personal identity. On one side, there are recommendation algorithms that locate a user's core preferences, and then reinforce that identity with options designed to resemble those that have already proved satisfying. The result is an algorithmic production of euphoria and authenticity. On the other side, there are recommenders that provoke unfamiliar interests and curiosities. These proposals deny the existence of an authentic self and instead promote new preferences and experiences. The result is a human freedom of new personal identity.
• Abstract（参考訳）: 今日のAIレコメンデーションアルゴリズムは、ユーホリアと自由の間の人間のジレンマを生み出します。 詳しく言うと、レコメンデーターが経験を再形成する4つの方法がデライン化されている。 第一に、人間の利便性の体験は、万能な完全性に調整される。 第2に、アルゴリズムとデータによって、ある種の個人認証が利用できるようになる。 第三に、人間の自由という概念が登場し、すでに存在するものを満たすのではなく、ユーザーにとって馴染みの無い利益を促進するものとなる。 最後に、新しい人間のジレンマは2種類の個人性の間に置かれる。 ひとつは、ユーザの中核的な好みを見つけるためのレコメンデーションアルゴリズムがあり、そのアイデンティティを、すでに満足していることが証明されたものに似たオプションで強化する。 その結果はアルゴリズムによる真性と真性の生成である。 一方、不慣れな関心や好奇心を喚起するレコメンデーションもある。 これらの提案は、真の自己の存在を否定し、代わりに新しい好みと経験を促進する。 その結果、人間の新しいアイデンティティが生まれました。

関連論文リスト

• Intuitions of Compromise: Utilitarianism vs. Contractualism [42.3322948655612]
  我々は、社会的な意思決定の文脈において、グループ間での嗜好を集約するためにアルゴリズムを適用するパラダイムを使用している。 現在まで、バリューアグリゲーションに対する支配的なアプローチは実用的だが、私たちは契約者アルゴリズムが推奨するアグリゲーションを強く好んでいることに気付きました。
  論文  参考訳（メタデータ） (2024-10-07T21:05:57Z)
• StableIdentity: Inserting Anybody into Anywhere at First Sight [57.99693188913382]
  一つの顔画像で同一性に一貫性のある再テクスチャ化を可能にするStableIdentityを提案する。 私たちは、1つの画像から学んだアイデンティティを直接、微調整なしでビデオ/3D生成に注入する最初の人です。
  論文  参考訳（メタデータ） (2024-01-29T09:06:15Z)
• Promptable Behaviors: Personalizing Multi-Objective Rewards from Human Preferences [53.353022588751585]
  本稿では,ロボットエージェントの多種多様な嗜好に対する効率的なパーソナライズを促進する新しいフレームワークであるPromptable Behaviorsを紹介する。 我々は、異なるタイプの相互作用を活用することによって、人間の嗜好を推測する3つの異なる方法を紹介した。 本稿では,ProcTHOR と Robothor のナビゲーションタスクをパーソナライズしたオブジェクトゴールナビゲーションおよびエスケープナビゲーションタスクにおいて,提案手法の評価を行う。
  論文  参考訳（メタデータ） (2023-12-14T21:00:56Z)
• Personalized First Issue Recommender for Newcomers in Open Source Projects [12.444293953494032]
  我々は37人の新参者を分析し、その最初の問題は複数のプロジェクトにわたって解決した。 同じ新参者によって解決された最初の問題は、タスクタイプ、プログラミング言語、プロジェクトドメインにおける類似点を共有している。 提案するPFIRecは,特定された影響力のある特徴を生かして,新参者の候補課題のランク付けを行う。
  論文  参考訳（メタデータ） (2023-08-17T15:19:13Z)
• Randomized algorithms for precise measurement of differentially-private, personalized recommendations [6.793345945003182]
  本稿では,高精度かつ偏りのある測定を容易にするパーソナライズされたレコメンデーションのためのアルゴリズムを提案する。 提案するプライバシ保護アルゴリズムが,ユーザエクスペリエンスや広告主の価値,プラットフォーム収益に関連する重要な指標に与える影響を定量化するために,オフライン実験を実施している。
  論文  参考訳（メタデータ） (2023-08-07T17:34:58Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• Best-$k$ Search Algorithm for Neural Text Generation [118.02691398555781]
  本稿では,品質と多様性のバランスをとる決定論的探索アルゴリズムを提案する。 提案アルゴリズムはパラメータフリーで、軽量で、効率的で、使いやすくなっている。
  論文  参考訳（メタデータ） (2022-11-22T00:26:13Z)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)

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。