論文の概要: You Don't Bring Me Flowers: Mitigating Unwanted Recommendations Through Conformal Risk Control

• arxiv url: http://arxiv.org/abs/2507.16829v1
• Date: Wed, 09 Jul 2025 21:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-27 08:26:15.952791
• Title: You Don't Bring Me Flowers: Mitigating Unwanted Recommendations Through Conformal Risk Control
• Title（参考訳）: Me Flowerを持ち込まない: コンフォーマルなリスク管理を通じて不要な推奨を緩和する
• Authors: Giovanni De Toni, Erasmo Purificato, Emilia Gómez, Bruno Lepri, Andrea Passerini, Cristian Consonni,
• Abstract要約: 本稿では、共形リスク制御を用いて、パーソナライズされたレコメンデーションにおいて、不必要なコンテンツを確実に拘束する直感的で、モデルに依存しない、かつ、配布不要な手法を提案する。 当社のアプローチは、最小限の努力で、効果的かつ制御可能な推奨事項の削減を保証します。
• 参考スコア（独自算出の注目度）: 17.919072158085754
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recommenders are significantly shaping online information consumption. While effective at personalizing content, these systems increasingly face criticism for propagating irrelevant, unwanted, and even harmful recommendations. Such content degrades user satisfaction and contributes to significant societal issues, including misinformation, radicalization, and erosion of user trust. Although platforms offer mechanisms to mitigate exposure to undesired content, these mechanisms are often insufficiently effective and slow to adapt to users' feedback. This paper introduces an intuitive, model-agnostic, and distribution-free method that uses conformal risk control to provably bound unwanted content in personalized recommendations by leveraging simple binary feedback on items. We also address a limitation of traditional conformal risk control approaches, i.e., the fact that the recommender can provide a smaller set of recommended items, by leveraging implicit feedback on consumed items to expand the recommendation set while ensuring robust risk mitigation. Our experimental evaluation on data coming from a popular online video-sharing platform demonstrates that our approach ensures an effective and controllable reduction of unwanted recommendations with minimal effort. The source code is available here: https://github.com/geektoni/mitigating-harm-recsys.
• Abstract（参考訳）: レコメンダは、オンライン情報消費を著しく形作っている。 コンテンツのパーソナライズに効果がある一方で、これらのシステムは不適切な、望ましくない、有害なレコメンデーションを広めることに対する批判に直面している。 このようなコンテンツは、ユーザの満足度を低下させ、誤情報、過激化、ユーザ信頼の侵食など、重要な社会的問題に寄与する。 プラットフォームは、望ましくないコンテンツへの露出を軽減するメカニズムを提供するが、これらのメカニズムは、しばしば不十分に有効であり、ユーザのフィードバックに適応するのに遅い。 本稿では、共形リスク制御を用いた直感的で、モデルに依存しない、かつ、配布不要な方法で、パーソナライズされたレコメンデーションにおいて、不要なコンテンツを確実に拘束する。 また, 消費項目に対する暗黙的なフィードバックを活用して, リスク軽減の確実性を確保しつつ, 従来のコンフォーマルリスクコントロール手法の限界にも対処する。 オンラインビデオ共有プラットフォームから得られるデータに関する実験的評価は、我々のアプローチが最小限の努力で不要なレコメンデーションの効果的かつ制御可能な削減を確実にすることを示す。 ソースコードは、https://github.com/geektoni/mitigating-harm-recsys.comで入手できる。

関連論文リスト

• Improving the Shortest Plank: Vulnerability-Aware Adversarial Training for Robust Recommender System [60.719158008403376]
  VAT(Vulnerability-aware Adversarial Training)は、レコメンデーションシステムにおける中毒攻撃に対する防御を目的とした訓練である。 VATは、システムの適合度に基づいて、ユーザの脆弱性を推定するために、新たな脆弱性認識機能を採用している。
  論文  参考訳（メタデータ） (2024-09-26T02:24:03Z)
• Content-Agnostic Moderation for Stance-Neutral Recommendation [13.210645250173997]
  コンテンツに依存しないモデレーションは、実際のコンテンツが適格化されることに頼らない。 本稿では,コンテンツ機能に頼らずに,コンテンツレコメンデータからのリコメンデーションを変更する2つの新しいコンテンツ非依存モデレーション手法を提案する。 この結果から,直接コンテンツ情報なしでのスタンス中立性の実現は実現可能であるだけでなく,ユーザのエンゲージメントを著しく低下させることなく,よりバランスのとれた情報的レコメンデーションシステムを開発する上でも有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-29T09:50:39Z)
• User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
  本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。 UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
  論文  参考訳（メタデータ） (2023-12-23T09:44:57Z)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• The Amplification Paradox in Recommender Systems [12.723777984461693]
  シミュレーションを通して、レコメンデータシステムの協調フィルタリングの性質と極度のコンテンツのニッチさが明らかにパラドックスを解消できることを示す。 提案手法は,「アルゴリズム増幅の微妙な解釈」であり,レコメンデータシステムの監査において,利用者にコンテンツの有用性をモデル化することの重要性を強調したものである。
  論文  参考訳（メタデータ） (2023-02-22T09:12:48Z)
• Discussion about Attacks and Defenses for Fair and Robust Recommendation System Design [0.0]
  レコメンデーションシステムは、特定の製品の宣伝やデモを行う偽レビューなど、悪意のあるユーザーの偏見に弱い。 ディープラーニング協調フィルタリングレコメンデーションシステムは、このバイアスに対してより脆弱であることが示されている。 公正と安定のための堅牢なレコメンデーションシステムを設計する必要性について論じる。
  論文  参考訳（メタデータ） (2022-09-28T13:00:26Z)
• Recommending with Recommendations [1.1602089225841632]
  レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。 既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。 我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
  論文  参考訳（メタデータ） (2021-12-02T04:30:15Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。