論文の概要: Causal-Invariant Cross-Domain Out-of-Distribution Recommendation

• arxiv url: http://arxiv.org/abs/2505.16532v1
• Date: Thu, 22 May 2025 11:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.250763
• Title: Causal-Invariant Cross-Domain Out-of-Distribution Recommendation
• Title（参考訳）: Causal-invariant Cross-Domain Out-of-Distribution Recommendation
• Authors: Jiajie Zhu, Yan Wang, Feng Zhu, Pengfei Ding, Hongyang Liu, Zhu Sun,
• Abstract要約: Cross-Domain Recommendation (CDR)は、データ空間の問題に対処するために、比較的データリッチなソースドメインからの知識を活用することを目的としている。 CDR法は異なる領域間の分布シフトに対処する必要があるが、通常は独立分布と同一分布を仮定する。 そこで我々はCICDORと呼ばれる新しいCausal-Invariant Cross-Domain Out-of-distribution Recommendationフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.522907452605788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-Domain Recommendation (CDR) aims to leverage knowledge from a relatively data-richer source domain to address the data sparsity problem in a relatively data-sparser target domain. While CDR methods need to address the distribution shifts between different domains, i.e., cross-domain distribution shifts (CDDS), they typically assume independent and identical distribution (IID) between training and testing data within the target domain. However, this IID assumption rarely holds in real-world scenarios due to single-domain distribution shift (SDDS). The above two co-existing distribution shifts lead to out-of-distribution (OOD) environments that hinder effective knowledge transfer and generalization, ultimately degrading recommendation performance in CDR. To address these co-existing distribution shifts, we propose a novel Causal-Invariant Cross-Domain Out-of-distribution Recommendation framework, called CICDOR. In CICDOR, we first learn dual-level causal structures to infer domain-specific and domain-shared causal-invariant user preferences for tackling both CDDS and SDDS under OOD environments in CDR. Then, we propose an LLM-guided confounder discovery module that seamlessly integrates LLMs with a conventional causal discovery method to extract observed confounders for effective deconfounding, thereby enabling accurate causal-invariant preference inference. Extensive experiments on two real-world datasets demonstrate the superior recommendation accuracy of CICDOR over state-of-the-art methods across various OOD scenarios.
• Abstract（参考訳）: Cross-Domain Recommendation (CDR)は、比較的データ豊富なソースドメインからの知識を活用して、比較的データスパーサターゲットドメインにおけるデータ空間の問題に対処することを目的としている。 CDR法は、異なるドメイン間の分散シフト、すなわちクロスドメイン分散シフト(CDDS)に対処する必要があるが、それらは通常、ターゲットドメイン内のトレーニングとテストデータの間の独立かつ同一の分布(IID)を仮定する。 しかし、このIID仮定は、単一領域分散シフト(SDDS)による現実のシナリオではめったに成立しない。 上記の2つの共分散シフトは、効果的な知識伝達と一般化を妨げ、最終的にCDRの推奨性能を低下させる、アウト・オブ・ディストリビューション(OOD)環境につながる。 このような分散シフトに対処するために,CICDORと呼ばれる新しいCausal-Invariant Cross-Domain Out-of-distribution Recommendationフレームワークを提案する。 CICDOR では,CDDS と SDDS の両方を CDR の OOD 環境下で扱うために,ドメイン固有およびドメイン共有の因果不変ユーザ嗜好を推定するために,二段階因果構造を学習する。 そこで,従来の因果探索法とシームレスに統合したLCM誘導型共同設立者探索モジュールを提案し,効果的解答のための観察された共同設立者を抽出し,因果不変の正確な選好推定を可能にする。 2つの実世界のデータセットに対する大規模な実験は、様々なOODシナリオにわたる最先端の手法よりもCICDORの推奨精度が優れていることを示した。

関連論文リスト

• A Centralized-Distributed Transfer Model for Cross-Domain Recommendation Based on Multi-Source Heterogeneous Transfer Learning [7.522103690277754]
  クリックスルーレート(CTR)推定における疎度問題に対処するために,クロスドメインレコメンデーション(CDR)手法を提案する。 既存のCDRメソッドは、ソースドメインからターゲットドメインに直接知識を転送し、ドメイン間の不均一性を無視する。 マルチソースヘテロジニアストランスファー学習に基づくCDRのための集中分散トランスファーモデル(CDTM)を提案する。
  論文  参考訳（メタデータ） (2024-11-14T08:53:23Z)
• CAusal and collaborative proxy-tasKs lEarning for Semi-Supervised Domain Adaptation [20.589323508870592]
  半教師付きドメイン適応(SSDA)は、ソースドメインデータとラベル付きターゲットサンプルを効果的に活用することにより、学習者を新しいドメインに適応させる。 提案手法は,SSDAデータセットの有効性と汎用性の観点から,SOTA法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-30T16:48:28Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。