論文の概要: Leave No One Behind: Fairness-Aware Cross-Domain Recommender Systems for Non-Overlapping Users

• arxiv url: http://arxiv.org/abs/2507.17749v1
• Date: Wed, 23 Jul 2025 17:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.12559
• Title: Leave No One Behind: Fairness-Aware Cross-Domain Recommender Systems for Non-Overlapping Users
• Title（参考訳）: フェアネスを意識した非重複ユーザ向けクロスドメインレコメンダシステム
• Authors: Weixin Chen, Yuhan Zhao, Li Chen, Weike Pan,
• Abstract要約: クロスドメインレコメンデーション(CDR)メソッドは、重複するユーザを利用して、ソースドメインからターゲットドメインに知識を転送する。 本稿では,重複しないターゲットドメインユーザに対して,仮想ソースドメインユーザを生成する新しいソリューションを提案する。 本手法は,CDR非重複ユーザのバイアスを,全体的な精度を損なうことなく効果的に軽減する。
• 参考スコア（独自算出の注目度）: 13.420661387194148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) methods predominantly leverage overlapping users to transfer knowledge from a source domain to a target domain. However, through empirical studies, we uncover a critical bias inherent in these approaches: while overlapping users experience significant enhancements in recommendation quality, non-overlapping users benefit minimally and even face performance degradation. This unfairness may erode user trust, and, consequently, negatively impact business engagement and revenue. To address this issue, we propose a novel solution that generates virtual source-domain users for non-overlapping target-domain users. Our method utilizes a dual attention mechanism to discern similarities between overlapping and non-overlapping users, thereby synthesizing realistic virtual user embeddings. We further introduce a limiter component that ensures the generated virtual users align with real-data distributions while preserving each user's unique characteristics. Notably, our method is model-agnostic and can be seamlessly integrated into any CDR model. Comprehensive experiments conducted on three public datasets with five CDR baselines demonstrate that our method effectively mitigates the CDR non-overlapping user bias, without loss of overall accuracy. Our code is publicly available at https://github.com/WeixinChen98/VUG.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)メソッドは、主に重複するユーザを利用して、ソースドメインからターゲットドメインに知識を転送する。 しかし、実証的研究を通じて、これらのアプローチに固有の重大なバイアスが明らかになった: オーバーラップするユーザは推奨品質が大幅に向上する一方、重複しないユーザは最小限のメリットとパフォーマンス低下に直面します。 この不公平さは、ユーザの信頼を損なう可能性があり、その結果、ビジネスのエンゲージメントと収益に悪影響を及ぼす。 そこで本研究では,重複しないターゲットドメインユーザに対して,仮想ソースドメインユーザを生成する新しいソリューションを提案する。 本手法は,重なり合うユーザと非重なり合うユーザの類似性を識別するための二重注意機構を用いて,現実的な仮想ユーザ埋め込みを合成する。 さらに,生成した仮想ユーザが各ユーザのユニークな特性を保ちながら,実際のデータ分布に整合することを保証するリミッタコンポーネントを導入する。 特に,本手法はモデル非依存であり,任意のCDRモデルにシームレスに統合可能である。 5つのCDRベースラインを持つ3つの公開データセットで実施された総合的な実験により、我々の手法は、全体的な精度を損なうことなく、CDR非重複ユーザのバイアスを効果的に軽減することを示した。 私たちのコードはhttps://github.com/WeixinChen98/VUG.comで公開されています。

関連論文リスト

• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation [11.61586672399166]
  クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。 しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。 そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:20:42Z)
• Towards Robust Cross-Domain Recommendation with Joint Identifiability of User Preference [31.22912313591263]
  クロスドメインレコメンデーション(CDR)研究は、ドメイン共有とドメイン固有のユーザ表現がドメインギャップを緩和し、効果的な知識伝達を促進すると仮定している。 本稿では,ドメイン間のユーザ表現のユニークな対応を確立する共同識別可能性のモデル化を提案する。 本手法は, 相関の弱いタスクであっても, 常に最先端のタスクを超越していることを示す。
  論文  参考訳（メタデータ） (2024-11-26T12:08:06Z)
• Cross-Domain Sequential Recommendation via Neural Process [9.01082886458853]
  Cross-Domain Sequential Recommendation (CDSR)は、シーケンスベースのユーザ関心モデリングにおいてホットなトピックである。 オーバーラップしないユーザの行動の可能性を解き明かし、CDSRを強化する方法を示す。
  論文  参考訳（メタデータ） (2024-10-17T14:22:57Z)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• FedPCL-CDR: A Federated Prototype-based Contrastive Learning Framework for Privacy-Preserving Cross-domain Recommendation [12.90905748020945]
  クロスドメインレコメンデーション(CDR)は、データ豊富なドメインから知識を転送することでスパースドメインのレコメンデーション精度を向上させることを目的としている。 既存のCDRアプローチでは、ドメイン間のユーザ-イテムインタラクションデータが公開されており、ユーザのプライバシの懸念を無視することが多い。 本稿では,FedPCL-CDRと呼ばれるプライバシ保護CDRのためのFederated Prototype-based Contrastive Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-05T06:59:56Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach [16.09514981871128]
  クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。 現実世界のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーで構成される。
  論文  参考訳（メタデータ） (2023-11-08T15:33:06Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
  モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。 本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。 私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
  論文  参考訳（メタデータ） (2021-10-13T04:12:27Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。