論文の概要: Post-hoc Popularity Bias Correction in GNN-based Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2510.12959v1
• Date: Tue, 14 Oct 2025 20:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.407447
• Title: Post-hoc Popularity Bias Correction in GNN-based Collaborative Filtering
• Title（参考訳）: GNNを用いた協調フィルタリングにおけるポストホック人気バイアス補正
• Authors: Md Aminul Islam, Elena Zheleva, Ren Wang,
• Abstract要約: 協調フィルタリング(CF)における人気バイアスを補正するポストホック人気度デバイアス法(PPD)を提案する。 提案手法は,GNNに基づくCFにおいて,人気バイアス補正のための最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 7.582801684816001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User historical interaction data is the primary signal for learning user preferences in collaborative filtering (CF). However, the training data often exhibits a long-tailed distribution, where only a few items have the majority of interactions. CF models trained directly on such imbalanced data are prone to learning popularity bias, which reduces personalization and leads to suboptimal recommendation quality. Graph Neural Networks (GNNs), while effective for CF due to their message passing mechanism, can further propagate and amplify popularity bias through their aggregation process. Existing approaches typically address popularity bias by modifying training objectives but fail to directly counteract the bias propagated during GNN's neighborhood aggregation. Applying weights to interactions during aggregation can help alleviate this problem, yet it risks distorting model learning due to unstable node representations in the early stages of training. In this paper, we propose a Post-hoc Popularity Debiasing (PPD) method that corrects for popularity bias in GNN-based CF and operates directly on pre-trained embeddings without requiring retraining. By estimating interaction-level popularity and removing popularity components from node representations via a popularity direction vector, PPD reduces bias while preserving user preferences. Experimental results show that our method outperforms state-of-the-art approaches for popularity bias correction in GNN-based CF.
• Abstract（参考訳）: ユーザ履歴インタラクションデータは、協調フィルタリング(CF)におけるユーザの好みを学習するための主要な信号である。 しかし、トレーニングデータはしばしば長い尾の分布を示しており、インタラクションの大部分を持つのは少数の項目のみである。 このような不均衡なデータに基づいて直接訓練されたCFモデルは、人気バイアスを学習する傾向があり、パーソナライズを低減し、最適以下の推奨品質をもたらす。 グラフニューラルネットワーク(GNN)は、メッセージパッシング機構によってCFに有効であるが、アグリゲーションプロセスを通じて人気バイアスをさらに伝播し、増幅することができる。 既存のアプローチでは、トレーニングの目的を変更することで人気バイアスに対処するが、GNNの近隣の集約時に伝播するバイアスに直接対処することができない。 集約中の相互作用に重みを適用することでこの問題を軽減することができるが、トレーニングの初期段階で不安定なノード表現によってモデル学習が歪むリスクがある。 本稿では、GNNベースのCFにおける人気バイアスを補正し、トレーニングを必要とせず、事前学習した埋め込みを直接操作するポストホック人気デバイアス法(PPD)を提案する。 対話レベルの人気度を推定し、人気方向ベクトルを介してノード表現から人気成分を除去することにより、PDはユーザの好みを保ちながらバイアスを低減する。 実験の結果,本手法はGNNベースのCFにおいて,人気バイアス補正のための最先端手法よりも優れていた。

関連論文リスト

• Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation [20.03303865662207]
  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。
  論文  参考訳（メタデータ） (2025-10-06T05:33:37Z)
• 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)
• Variational Bayesian Personalized Ranking [39.24591060825056]
  変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。 本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。 実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-14T04:22:01Z)
• Federated Class-Incremental Learning with Hierarchical Generative Prototypes [10.532838477096055]
  Federated Learning (FL)は、複数のデバイス(クライアント)に分散した計算をすることで、ディープモデルのトレーニングを解き放つことを目的としている。 提案手法は,学習可能なプロンプトを用いてトレーニング済みのバックボーンを効率よく微調整することにより,最終層のバイアスを抑える。 提案手法は現状を著しく改善し, 平均精度は+7.8%向上した。
  論文  参考訳（メタデータ） (2024-06-04T16:12:27Z)
• 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)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Robust Collaborative Filtering to Popularity Distribution Shift [56.78171423428719]
  本稿では,テストデータに仮定することなく,インタラクションワイドな人気ショートカットを定量化し,削減する,シンプルで効果的なデバイアス対策であるPopGoを提案する。 IDとOODの両方のテストセットにおいて、PopGoは最先端のデバイアス戦略よりも大幅に向上している。
  論文  参考訳（メタデータ） (2023-10-16T04:20:52Z)
• 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)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)

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。