論文の概要: Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems

• arxiv url: http://arxiv.org/abs/2508.17076v1
• Date: Sat, 23 Aug 2025 16:05:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.326941
• Title: Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems
• Title（参考訳）: リコメンダシステムにおける非学習のための実世界適応ベンチマークの実現に向けて
• Authors: Pierre Lubitzsch, Olga Ovcharenko, Hao Chen, Maarten de Rijke, Sebastian Schelter,
• Abstract要約: 推薦システムにおける非学習のためのより現実的なベンチマークの開発を導くために,設計デシダータと研究質問のセットを提案する。 我々は、現実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについて論じる。 本稿では,提案したdesiderataをベースとした次世代レコメンデーションセッティングの予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。
• 参考スコア（独自算出の注目度）: 49.766845975588275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern recommender systems heavily leverage user interaction data to deliver personalized experiences. However, relying on personal data presents challenges in adhering to privacy regulations, such as the GDPR's "right to be forgotten". Machine unlearning (MU) aims to address these challenges by enabling the efficient removal of specific training data from models post-training, without compromising model utility or leaving residual information. However, current benchmarks for unlearning in recommender systems -- most notably CURE4Rec -- fail to reflect real-world operational demands. They focus narrowly on collaborative filtering, overlook tasks like session-based and next-basket recommendation, simulate unrealistically large unlearning requests, and ignore critical efficiency constraints. In this paper, we propose a set of design desiderata and research questions to guide the development of a more realistic benchmark for unlearning in recommender systems, with the goal of gathering feedback from the research community. Our benchmark proposal spans multiple recommendation tasks, includes domain-specific unlearning scenarios, and several unlearning algorithms -- including ones adapted from a recent NeurIPS unlearning competition. Furthermore, we argue for an unlearning setup that reflects the sequential, time-sensitive nature of real-world deletion requests. We also present a preliminary experiment in a next-basket recommendation setting based on our proposed desiderata and find that unlearning also works for sequential recommendation models, exposed to many small unlearning requests. In this case, we observe that a modification of a custom-designed unlearning algorithm for recommender systems outperforms general unlearning algorithms significantly, and that unlearning can be executed with a latency of only several seconds.
• Abstract（参考訳）: 現代のレコメンデータシステムは、ユーザーインタラクションデータを利用してパーソナライズされたエクスペリエンスを提供する。 しかし、個人データに依存することは、GDPRの「忘れられる権利」のようなプライバシー規制を遵守する上での課題を示す。 機械学習(MU)は、モデルユーティリティを損なうことなく、あるいは残留情報を残さずに、トレーニング後のモデルから特定のトレーニングデータの効率的な除去を可能にすることで、これらの課題に対処することを目的としている。 しかしながら、リコメンデータシステム(特にCURE4Rec)におけるアンラーニングのための現在のベンチマークは、実際の運用要求を反映していない。 彼らは、協調フィルタリング、セッションベースや次のバスケットレコメンデーションのようなタスクの見落とし、非現実的に大規模な未学習要求のシミュレート、重要な効率制約の無視に焦点を絞っている。 本稿では,レコメンデーションシステムにおける非学習のためのより現実的なベンチマークの開発を支援するために,デザインデシダータと研究質問のセットを提案し,研究コミュニティからのフィードバックを集めることを目的とする。 私たちのベンチマーク提案は、ドメイン固有のアンラーニングシナリオや、最近のNeurIPSアンラーニングコンペティションなど、いくつかのアンラーニングアルゴリズムを含む、複数のレコメンデーションタスクにまたがる。 さらに、実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについても論じる。 また,提案したdesiderataに基づく次世代のレコメンデーションセッティングで予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。 この場合、リコメンデータシステムのためのカスタム設計のアンラーニングアルゴリズムの修正は、一般的なアンラーニングアルゴリズムよりも大幅に優れており、アンラーニングは、ほんの数秒のレイテンシで実行可能であることを観察する。

関連論文リスト

• Curriculum Approximate Unlearning for Session-based Recommendation [56.86137487298901]
  セッションベースレコメンデーションのための近似アンラーニング(英: Approximate unlearning)とは、特定のトレーニングサンプルの影響をリトレーニングせずにレコメンダから排除することを指す。 グラディエント・アセント(GA)は、近似的アンラーニングを行うための代表的な方法である。 本稿では,セッションベースの推薦に適合した教育用アンラーニングフレームワークであるCAUを紹介する。
  論文  参考訳（メタデータ） (2025-08-21T05:52:28Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [62.579951798437115]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• Pre-training for Recommendation Unlearning [14.514770044236375]
  UnlearnRecはモデルに依存しない事前学習パラダイムであり、効率的な未学習操作のためのシステムを準備している。 本手法は,再学習手法に比べて10倍以上の高速化を実現した。
  論文  参考訳（メタデータ） (2025-05-28T17:57:11Z)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions [16.00188808166725]
  推薦システムは、ユーザの行動と意思決定を形作ることに、ますます影響力を増している。 レコメンデータシステムにおける機械学習モデルの普及は、ユーザのプライバシとセキュリティに関する重要な懸念を引き起こしている。 従来の機械学習手法は、協調的な相互作用やモデルパラメータによって引き起こされるユニークな課題のために、アンラーニングを推奨するのに不適である。
  論文  参考訳（メタデータ） (2024-12-17T11:58:55Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• Information Directed Reward Learning for Reinforcement Learning [64.33774245655401]
  我々は、標準rlアルゴリズムが可能な限り少数の専門家クエリで高い期待値を達成することができる報酬関数のモデルを学ぶ。 特定のタイプのクエリ用に設計された以前のアクティブな報酬学習方法とは対照的に、IDRLは自然に異なるクエリタイプに対応します。 我々は,複数の環境における広範囲な評価と,異なるタイプのクエリでこの結果を支持する。
  論文  参考訳（メタデータ） (2021-02-24T18:46:42Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。