論文の概要: Addressing Correlated Latent Exogenous Variables in Debiased Recommender Systems

• arxiv url: http://arxiv.org/abs/2506.07517v1
• Date: Mon, 09 Jun 2025 07:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.854374
• Title: Addressing Correlated Latent Exogenous Variables in Debiased Recommender Systems
• Title（参考訳）: 脱バイアス型レコメンダシステムにおける潜在性外因性変数の対応
• Authors: Shuqiang Zhang, Yuchao Zhang, Jinkun Chen, Haochen Sui,
• Abstract要約: 推薦システム(RS)は、パーソナライズされたコンテンツを提供することを目的としているが、選択バイアスによる非バイアス学習の課題に直面している。 本稿では,予測モデルを学習する確率に基づく学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.082385853653964
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recommendation systems (RS) aim to provide personalized content, but they face a challenge in unbiased learning due to selection bias, where users only interact with items they prefer. This bias leads to a distorted representation of user preferences, which hinders the accuracy and fairness of recommendations. To address the issue, various methods such as error imputation based, inverse propensity scoring, and doubly robust techniques have been developed. Despite the progress, from the structural causal model perspective, previous debiasing methods in RS assume the independence of the exogenous variables. In this paper, we release this assumption and propose a learning algorithm based on likelihood maximization to learn a prediction model. We first discuss the correlation and difference between unmeasured confounding and our scenario, then we propose a unified method that effectively handles latent exogenous variables. Specifically, our method models the data generation process with latent exogenous variables under mild normality assumptions. We then develop a Monte Carlo algorithm to numerically estimate the likelihood function. Extensive experiments on synthetic datasets and three real-world datasets demonstrate the effectiveness of our proposed method. The code is at https://github.com/WallaceSUI/kdd25-background-variable.
• Abstract（参考訳）: レコメンデーションシステム(RS)は、パーソナライズされたコンテンツを提供することを目的としているが、選択バイアスによる非バイアス学習の課題に直面している。 このバイアスは、ユーザの好みの歪んだ表現につながり、レコメンデーションの正確さと公平さを妨げる。 この問題に対処するために, 誤り計算に基づく手法, 逆確率スコアリング, 二重ロバストな手法など, 様々な手法が開発されている。 構造因果モデルの観点からは、進歩にもかかわらず、RSにおける過去の脱バイアス法は、外因性変数の独立性を前提としている。 本稿では,この仮定を公表し,最大化度に基づく学習アルゴリズムを提案し,予測モデルを学習する。 まず,不測な共生とシナリオの相関と相違について考察し,潜在性外生変数を効果的に扱う統一手法を提案する。 具体的には,弱正規性仮定の下で潜在外生変数を用いたデータ生成過程をモデル化する。 次にモンテカルロアルゴリズムを開発し、確率関数を数値的に推定する。 合成データセットと実世界の3つのデータセットに関する大規模な実験により,提案手法の有効性を実証した。 コードはhttps://github.com/WallaceSUI/kdd25-background-variableにある。

関連論文リスト

• Invariant debiasing learning for recommendation via biased imputation [46.664978553651494]
  不変情報と変量情報の両方からユーザの偏りのない嗜好を自動的に学習する,新しい軽量知識蒸留フレームワーク(KDDebias)を提案する。 提案手法は,推薦システムにおけるSOTA非教師付きバイアスモデルと比較して,50%未満の学習パラメータで大幅な改善を実現する。
  論文  参考訳（メタデータ） (2024-12-28T05:57:02Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 これらの課題に対処するための影響関数フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Debiased Recommendation with Noisy Feedback [41.38490962524047]
  収集データ中のMNARとOMEから予測モデルの非バイアス学習に対する交差点脅威について検討する。 まず, OME-EIB, OME-IPS, OME-DR推定器を設計する。
  論文  参考訳（メタデータ） (2024-06-24T23:42:18Z)
• Training Data Attribution via Approximate Unrolled Differentiation [8.87519936904341]
  影響関数のような暗黙の微分に基づく手法は、計算的に効率的になるが、過小評価を考慮できない。 我々は、影響関数のような公式を用いて計算される近似アンローリングベースのTDA手法であるSourceを紹介する。
  論文  参考訳（メタデータ） (2024-05-20T17:17:44Z)
• Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
  我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。 ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。 これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
  論文  参考訳（メタデータ） (2023-11-28T16:46:14Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• AutoDebias: Learning to Debias for Recommendation [43.84313723394282]
  今回提案するtextitAotoDebiasは、他の(小さな)均一なデータセットを利用してデバイアスパラメータを最適化する。 我々は、AutoDebiasの一般化を導き、適切なデバイアス戦略を得る能力を証明する。
  論文  参考訳（メタデータ） (2021-05-10T08:03:48Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。