論文の概要: Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation

• arxiv url: http://arxiv.org/abs/2510.04502v1
• Date: Mon, 06 Oct 2025 05:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.691923
• Title: Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation
• Title（参考訳）: トップK勧告における人気デバイアスに対する因果性対応グラフ集約重み推定器
• Authors: Yue Que, Yingyi Zhang, Xiangyu Zhao, Chen Ma,
• Abstract要約: グラフベースのレコメンデータシステムは、近隣の集約を利用してノード表現を生成し、人気バイアスに敏感である。 既存のグラフベースの縮退解は、エッジ再構成や重み調整のような試みによって集約プロセスを洗練させる。 本稿では,グラフ集約プロセスの合理的なモデリングにより,人気バイアスを軽減する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 20.03303865662207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based recommender systems leverage neighborhood aggregation to generate node representations, which is highly sensitive to popularity bias, resulting in an echo effect during information propagation. Existing graph-based debiasing solutions refine the aggregation process with attempts such as edge reconstruction or weight adjustment. However, these methods remain inadequate in fully alleviating popularity bias. Specifically, this is because 1) they provide no insights into graph aggregation rationality, thus lacking an optimality guarantee; 2) they fail to well balance the training and debiasing process, which undermines the effectiveness. In this paper, we propose a novel approach to mitigate popularity bias through rational modeling of the graph aggregation process. We reveal that graph aggregation is a special form of backdoor adjustment in causal inference, where the aggregation weight corresponds to the historical interaction likelihood distribution. Based on this insight, we devise an encoder-decoder architecture, namely Causality-aware Graph Aggregation Weight Estimator for Debiasing (CAGED), to approximate the unbiased aggregation weight by optimizing the evidence lower bound of the interaction likelihood. In order to enhance the debiasing effectiveness during early training stages, we further design a momentum update strategy that incrementally refines the aggregation weight matrix. Extensive experiments on three datasets demonstrate that CAGED outperforms existing graph-based debiasing methods. Our implementation is available at https://github.com/QueYork/CAGED.
• Abstract（参考訳）: グラフベースのレコメンダシステムは、近隣の集約を利用してノード表現を生成する。 既存のグラフベースの縮退解は、エッジ再構成や重み調整のような試みによって集約プロセスを洗練させる。 しかし、これらの手法は人気バイアスを完全に緩和するには不十分である。 特に これは 1) グラフ集約合理性についての洞察は得られず,従って最適性の保証が欠如している。 2) トレーニングとデバイアスのプロセスのバランスが取れず, 効果を損なう。 本稿では,グラフ集約プロセスの合理的なモデリングにより,人気バイアスを軽減する新しい手法を提案する。 グラフアグリゲーションは因果推論におけるバックドアアグリゲーションの特別な形態であり、アグリゲーションの重みは歴史的相互作用の確率分布に対応する。 この知見に基づき、我々はエンコーダ・デコーダアーキテクチャ(Causality-aware Graph Aggregation Weight Estimator for Debiasing (CAGED))を考案し、相互作用可能性の低いエビデンスを最適化することにより、非バイアス集約重量を近似する。 本研究は,初期訓練段階における脱バイアス効果を高めるために,集約重量行列を漸進的に洗練するモーメント更新戦略を設計する。 3つのデータセットに対する大規模な実験は、CAGEDが既存のグラフベースのデバイアス法より優れていることを示している。 私たちの実装はhttps://github.com/QueYork/CAGED.comで公開されています。

関連論文リスト

• Fairness-aware Optimal Graph Filter Design [25.145533328758614]
  グラフは、複雑な現実世界の相互接続システムを表現するために使用できる数学的ツールである。 グラフ上の機械学習(ML)は、最近大きな注目を集めている。 グラフ信号処理からの洞察を借りて,グラフ学習におけるバイアス緩和の問題を新たに検討する。
  論文  参考訳（メタデータ） (2023-10-22T22:40:40Z)
• Efficient Bi-Level Optimization for Recommendation Denoising [31.968068788022403]
  暗黙のフィードバックは高いノイズを持ち、推奨品質を著しく損なう。 両レベルの最適化問題としてデノナイズをモデル化する。 内部最適化は、推奨のための効果的なモデルと重量決定を導くことを目的としている。 重み発生器を用いて重みの保存と1ステップの勾配マッチングに基づく損失を回避し、計算時間を著しく短縮する。
  論文  参考訳（メタデータ） (2022-10-19T06:36:21Z)
• Kernel-Whitening: Overcome Dataset Bias with Isotropic Sentence Embedding [51.48582649050054]
  符号化文の特徴間の相関関係を解消する表現正規化手法を提案する。 またNystromカーネル近似法であるKernel-Whiteningを提案する。 実験により,Kernel-Whiteningは分布内精度を維持しつつ,分布外データセット上でのBERTの性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2022-10-14T05:56:38Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。