論文の概要: Explaining Group Recommendations via Counterfactuals

• arxiv url: http://arxiv.org/abs/2601.16882v2
• Date: Mon, 26 Jan 2026 13:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.002471
• Title: Explaining Group Recommendations via Counterfactuals
• Title（参考訳）: 対策によるグループ勧告の解説
• Authors: Maria Stratigi, Nikos Bikakis, Kostas Stefanidis,
• Abstract要約: グループシステムは、ユーザが集合的な選択をするのを助けるが、透明性を欠くことが多い。 既存の説明手法は個人に焦点を当て、複数の嗜好が相互作用するグループに対する限定的なサポートを提供する。 本稿では,過去のインタラクションを削除すれば,グループ推薦がどう変わるかを明らかにする,グループ対実的説明のためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.9053062263045657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group recommender systems help users make collective choices but often lack transparency, leaving group members uncertain about why items are suggested. Existing explanation methods focus on individuals, offering limited support for groups where multiple preferences interact. In this paper, we propose a framework for group counterfactual explanations, which reveal how removing specific past interactions would change a group recommendation. We formalize this concept, introduce utility and fairness measures tailored to groups, and design heuristic algorithms, such as Pareto-based filtering and grow-and-prune strategies, for efficient explanation discovery. Experiments on MovieLens and Amazon datasets show clear trade-offs: low-cost methods produce larger, less fair explanations, while other approaches yield concise and balanced results at higher cost. Furthermore, the Pareto-filtering heuristic demonstrates significant efficiency improvements in sparse settings.
• Abstract（参考訳）: グループレコメンダシステムは、ユーザが集合的な選択をするのに役立つが、透明性が欠如することが多い。 既存の説明手法は個人に焦点を当て、複数の嗜好が相互作用するグループに対する限定的なサポートを提供する。 本稿では,過去のインタラクションの削除がグループレコメンデーションをどう変えるかを明らかにする,グループ対実的説明のためのフレームワークを提案する。 我々は,この概念を定式化し,グループに適した実用性と公正性の尺度を導入し,ParetoベースのフィルタリングやGrow-and-prune戦略といったヒューリスティックなアルゴリズムを設計し,効率的な説明発見を行う。 MovieLensとAmazonのデータセットの実験は明確なトレードオフを示している: 低コストのメソッドはより大きく、より公平な説明を生み出すが、他のアプローチはより低コストで簡潔でバランスの取れた結果をもたらす。 さらに、パレートフィルタヒューリスティックはスパース設定の大幅な効率改善を示す。

関連論文リスト

• Collaborative Group-Aware Hashing for Fast Recommender Systems [66.92426381995695]
  ハッシュ技術はハミング距離計算におけるビット演算によるオンラインレコメンデーションの高速化に優れていた。 既存のハッシュベースのレコメンデーションは、特にスパース設定の低い精度に悩まされている。 本稿では,協調フィルタリングとコンテンツ認識レコメンデーションのための協調グループ意識ハッシュ(CGAH)手法をロッジする。
  論文  参考訳（メタデータ） (2025-12-23T09:07:28Z)
• Enhancing Group Recommendation using Soft Impute Singular Value Decomposition [0.0]
  グループレコメンダシステムは、利用可能なデータの空間性と高次元性のためにしばしば苦労する。 ソフトインプット特異値分解を利用してグループレコメンデーションを強化するグループソフトインプットSVDというグループレコメンデーションシステムを提案する。
  論文  参考訳（メタデータ） (2025-11-14T11:13:56Z)
• GroupCoOp: Group-robust Fine-tuning via Group Prompt Learning [57.888537648437115]
  Group Context Optimization (GroupCoOp) は、単純で効果的な微調整アルゴリズムである。 微調整視覚言語モデル(VLM)の群ロバスト性を高める GroupCoOpは、5つのCLIPアーキテクチャにわたる5つのベンチマークで最高の結果を得た。
  論文  参考訳（メタデータ） (2025-09-28T09:54:30Z)
• Multi-Granularity Attention Model for Group Recommendation [7.764789596492022]
  グループレコメンデーションは、共有された興味、好み、特徴に基づいて、ユーザーグループにパーソナライズされたレコメンデーションを提供する。 本稿では、グループメンバーの潜伏傾向を解明し、推薦ノイズを軽減するために、MGAM(Multi-Granularity Attention Model)を提案する。 提案手法は,複数の粒度にわたるグループ推薦ノイズを効果的に低減し,個人の興味を包括的に学習する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:44Z)
• Fairness Aware Counterfactuals for Subgroups [8.593488857185678]
  本稿では,サブグループのフェアネスを監査するフレームワークであるFACTS(Fairness Aware Counterfactuals for Subgroups)を紹介する。 我々は、特定のサブグループにおける個人の困難さの異なる側面を定式化し、談話を達成することを目的としている。 我々は、言論を達成するためのコストに対して、完全に不可避ではないが頑健な部分群フェアネスの概念を導入する。
  論文  参考訳（メタデータ） (2023-06-26T18:03:56Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• "Explain it in the Same Way!" -- Model-Agnostic Group Fairness of Counterfactual Explanations [8.132423340684568]
  システムの結果を望ましい方法で変更するために、相手に何をすべきかを教えます。 本稿では,保護群間の複雑性に大きく違いのない,反現実的説明をモデル化するためのモデルに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2022-11-27T15:24:06Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)

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。