論文の概要: Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems

• arxiv url: http://arxiv.org/abs/2508.17297v1
• Date: Sun, 24 Aug 2025 10:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.451178
• Title: Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems
• Title（参考訳）: ブラックボックスのオープン:レコメンダシステムにおける人気バイアスの解釈可能な対策
• Authors: Parviz Ahmadov, Masoud Mansoury,
• Abstract要約: 人気度バイアスは、少数の人気アイテムが不均等な注目を集めるレコメンデーションシステムにおいて、よく知られた課題である。 この不均衡は、しばしば推奨品質の低下とアイテムの不公平な露出をもたらす。 本稿では,Sparse Autoencoder を用いたポストホック手法を提案する。
• 参考スコア（独自算出の注目度）: 1.8692254863855962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popularity bias is a well-known challenge in recommender systems, where a small number of popular items receive disproportionate attention, while the majority of less popular items are largely overlooked. This imbalance often results in reduced recommendation quality and unfair exposure of items. Although existing mitigation techniques address this bias to some extent, they typically lack transparency in how they operate. In this paper, we propose a post-hoc method using a Sparse Autoencoder (SAE) to interpret and mitigate popularity bias in deep recommendation models. The SAE is trained to replicate a pre-trained model's behavior while enabling neuron-level interpretability. By introducing synthetic users with clear preferences for either popular or unpopular items, we identify neurons encoding popularity signals based on their activation patterns. We then adjust the activations of the most biased neurons to steer recommendations toward fairer exposure. Experiments on two public datasets using a sequential recommendation model show that our method significantly improves fairness with minimal impact on accuracy. Moreover, it offers interpretability and fine-grained control over the fairness-accuracy trade-off.
• Abstract（参考訳）: 人気度バイアスはレコメンデーションシステムにおいてよく知られた課題であり、少数の人気アイテムが不釣り合いな注目を集める一方で、人気度の低いアイテムの大部分は見落とされがちである。 この不均衡は、しばしば推奨品質の低下とアイテムの不公平な露出をもたらす。 既存の緩和技術はこのバイアスにある程度対処するが、通常、その動作方法に透明性がない。 本稿では,Sparse Autoencoder (SAE) を用いたポストホック手法を提案する。 SAEは、ニューロンレベルの解釈性を確保しながら、事前訓練されたモデルの振る舞いを再現するように訓練されている。 人気項目と不人気項目のどちらかを明確に選好する合成ユーザを導入することで、アクティベーションパターンに基づいて人気信号をコードするニューロンを同定する。 次に、最も偏ったニューロンの活性化を調整し、より公正な曝露を推奨します。 逐次レコメンデーションモデルを用いた2つの公開データセット実験により,提案手法は精度への影響を最小限に抑え,公平性を著しく向上することが示された。 さらに、公正かつ正確なトレードオフに対する解釈可能性ときめ細かい制御を提供する。

関連論文リスト

• PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems [1.0128808054306186]
  PBiLossは、グラフベースのレコメンデータモデルにおいて、人気バイアスを明示的に防止するために設計された正規化に基づく損失関数である。 PBiLoss は,PRU (Popularity-Rank correlation for Users) とPRI (Popularity-Rank correlation for Items) の削減によって,公正性を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2025-07-25T08:29:32Z)
• Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint [4.137753517504481]
  Top-K$レコメンデーションは、潜伏したユーザの好みを推測し、パーソナライズされたレコメンデーションを生成する。 マルチビヘイビアのtextbfSide textbfInformation を統合した textbfPopularity-aware top-$K$レコメンデーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-26T11:06:49Z)
• Correcting Popularity Bias in Recommender Systems via Item Loss Equalization [1.7771454131646311]
  人気アイテムの小さなセットが、高い相互作用率のために推奨結果を支配している。 この現象は、ニッチな興味のある人を無視しながら、メインストリームの趣味を持つユーザーに不当に利益をもたらす。 本稿では,推薦モデルのトレーニングプロセスに介入することで,この問題に対処するプロセス内アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:34:18Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
  近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。 本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2024-03-15T02:04:35Z)
• Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
  人気バイアスはレコメンデーションシステムの分野で広く問題となっている。 本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
  論文  参考訳（メタデータ） (2023-08-22T08:57:44Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems [84.3996727203154]
  コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。 我々はCLRecをさらに改良し、マルチCLRecを提案する。 提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
  論文  参考訳（メタデータ） (2020-05-20T08:15:23Z)

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。