Fugu-MT 論文翻訳(概要): Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning

論文の概要: Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning

arxiv url: http://arxiv.org/abs/2511.05494v1
Date: Wed, 10 Sep 2025 08:49:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-07 19:06:32.141617
Title: Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning
Title（参考訳）: レコメンデーション・アンラーニングを損なうためのLLMを用いたカスタム検索用拡張ジェネレーション
Authors: Haichao Zhang, Chong Zhang, Peiyu Hu, Shi Qiu, Jia Wang,
Abstract要約: CRAGRUは、効率的でユーザ固有のアンラーニングのための新しいフレームワークである。推奨品質を維持しながら、未学習のバイアスを軽減する。我々の研究は、堅牢でプライバシ保護のレコメンデータシステムを構築するためのRAGベースのアーキテクチャの約束を強調します。
参考スコア（独自算出の注目度）: 11.187910465178078
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern recommender systems face a critical challenge in complying with privacy regulations like the 'right to be forgotten': removing a user's data without disrupting recommendations for others. Traditional unlearning methods address this by partial model updates, but introduce propagation bias--where unlearning one user's data distorts recommendations for behaviorally similar users, degrading system accuracy. While retraining eliminates bias, it is computationally prohibitive for large-scale systems. To address this challenge, we propose CRAGRU, a novel framework leveraging Retrieval-Augmented Generation (RAG) for efficient, user-specific unlearning that mitigates bias while preserving recommendation quality. CRAGRU decouples unlearning into distinct retrieval and generation stages. In retrieval, we employ three tailored strategies designed to precisely isolate the target user's data influence, minimizing collateral impact on unrelated users and enhancing unlearning efficiency. Subsequently, the generation stage utilizes an LLM, augmented with user profiles integrated into prompts, to reconstruct accurate and personalized recommendations without needing to retrain the entire base model. Experiments on three public datasets demonstrate that CRAGRU effectively unlearns targeted user data, significantly mitigating unlearning bias by preventing adverse impacts on non-target users, while maintaining recommendation performance comparable to fully trained original models. Our work highlights the promise of RAG-based architectures for building robust and privacy-preserving recommender systems. The source code is available at: https://github.com/zhanghaichao520/LLM_rec_unlearning.
Abstract（参考訳）: 現代のレコメンデーションシステムは、「忘れられる権利」のようなプライバシー規則に従う上で重要な課題に直面している。従来のアンラーニング手法は、部分的なモデル更新によってこの問題に対処するが、伝播バイアスを導入する。リトレーニングはバイアスを排除しますが、大規模システムでは計算的に禁止されます。この課題に対処するため、我々は、レコメンデーション品質を保ちながらバイアスを緩和する効率的でユーザ固有の未学習にRAG(Retrieval-Augmented Generation)を活用する新しいフレームワークであるCRAGRUを提案する。 CRAGRUはアンラーニングを異なる検索と生成段階に分離する。検索では,対象ユーザのデータ影響を正確に分離し,非関連ユーザへの相互的影響を最小限に抑え,学習効率を向上させるために,3つの調整戦略を採用する。その後、生成ステージでは、ユーザプロファイルをプロンプトに統合したLLMを使用して、ベースモデル全体を再トレーニングすることなく、正確でパーソナライズされたレコメンデーションを再構築する。 3つの公開データセットの実験では、CRAGRUがターゲットとするユーザデータを効果的に解放し、非ターゲットユーザに対する悪影響を防ぎながら、完全にトレーニングされたオリジナルモデルに匹敵するレコメンデーションパフォーマンスを維持しながら、未学習バイアスを著しく軽減することを示した。我々の研究は、堅牢でプライバシ保護のレコメンデータシステムを構築するためのRAGベースのアーキテクチャの約束を強調します。ソースコードは、https://github.com/zhanghaichao520/LLM_rec_unlearningで入手できる。

関連論文リスト

Can Recommender Systems Teach Themselves? A Recursive Self-Improving Framework with Fidelity Control [82.30868101940068]
本稿では,外部データや教師モデルに依存することなく,モデルが自身のパフォーマンスをブートストラップするパラダイムを提案する。我々の理論的分析は、RSIRがデータ駆動型暗黙正則化器として機能し、最適化景観を円滑にしていることを示している。より小さなモデルであっても利点があり、弱いモデルはより強力なモデルに対して効果的なトレーニングカリキュラムを生成することができることを示す。
論文参考訳（メタデータ） (2026-02-17T15:31:32Z)
Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems [49.766845975588275]
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。
論文参考訳（メタデータ） (2025-08-23T16:05:40Z)
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 Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
論文参考訳（メタデータ） (2025-05-22T14:09:39Z)
CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
Ungeneralizable Examples [70.76487163068109]
学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。 UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
論文参考訳（メタデータ） (2024-04-22T09:29:14Z)
Personalized Negative Reservoir for Incremental Learning in Recommender Systems [20.346543608461204]
商用環境では、一度レコメンデーションシステムモデルがトレーニングされ、デプロイされると、新しいクライアントデータが到着すると頻繁に更新する必要があります。新しいデータのみを微調整することは、破滅的な忘れ方という、よく文書化された問題に陥る。本稿では,グラフベースのレコメンデーションシステムにおいて,標準的なトリプルト損失に対する負のサンプルを得るために,パーソナライズされた負の貯水池戦略を提案する。
論文参考訳（メタデータ） (2024-03-06T19:08:28Z)
Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems [28.566330708233824]
攻撃者は、訓練中に明示的に遭遇していない場合でも、訓練されたモデルから個人情報、すなわち性別、人種、年齢を抽出することができる。ユーザのセンシティブな属性を保護するために、Attribute Unlearning (AU)は攻撃性能を低下させ、ターゲット属性を識別不能にする。
論文参考訳（メタデータ） (2023-10-06T09:36:44Z)
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文参考訳（メタデータ） (2022-09-22T04:32:51Z)
Debiasing Learning for Membership Inference Attacks Against Recommender Systems [79.48353547307887]
学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
論文参考訳（メタデータ） (2022-06-24T17:57:34Z)
Recommendation Unlearning [27.99369346343332]
RecEraserは、リコメンデーションタスクに適した汎用的で効率的な機械学習フレームワークである。まず3つの新しいデータ分割アルゴリズムを設計し、その類似性に基づいてトレーニングデータをバランスの取れたグループに分割する。 3つの公開ベンチマークによる実験結果から、RecEraserは効率的な未学習を達成できるだけでなく、モデルユーティリティの観点から最先端の未学習手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-01-18T08:43:34Z)

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。