論文の概要: The Double-Edged Sword of Knowledge Transfer: Diagnosing and Curing Fairness Pathologies in Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2601.21805v1
• Date: Thu, 29 Jan 2026 14:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.908638
• Title: The Double-Edged Sword of Knowledge Transfer: Diagnosing and Curing Fairness Pathologies in Cross-Domain Recommendation
• Title（参考訳）: 知識伝達のダブルエッジソード--クロスドメイン勧告におけるフェアネスの診断と治療
• Authors: Yuhan Zhao, Weixin Chen, Li Chen, Weike Pan,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、ソースドメインからの補助信号を活用することで、ターゲットドメインのレコメンデーション品質を改善する効果的な戦略を提供する。 しかし、新たな証拠は、CDRが集団レベルの不公平性を不当に高める可能性があることを示している。 本稿では,2つのキーコンポーネントからなるクロスドメインフェアネス拡張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）: 18.502416069691876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) offers an effective strategy for improving recommendation quality in a target domain by leveraging auxiliary signals from source domains. Nonetheless, emerging evidence shows that CDR can inadvertently heighten group-level unfairness. In this work, we conduct a comprehensive theoretical and empirical analysis to uncover why these fairness issues arise. Specifically, we identify two key challenges: (i) Cross-Domain Disparity Transfer, wherein existing group-level disparities in the source domain are systematically propagated to the target domain; and (ii) Unfairness from Cross-Domain Information Gain, where the benefits derived from cross-domain knowledge are unevenly allocated among distinct groups. To address these two challenges, we propose a Cross-Domain Fairness Augmentation (CDFA) framework composed of two key components. Firstly, it mitigates cross-domain disparity transfer by adaptively integrating unlabeled data to equilibrate the informativeness of training signals across groups. Secondly, it redistributes cross-domain information gains via an information-theoretic approach to ensure equitable benefit allocation across groups. Extensive experiments on multiple datasets and baselines demonstrate that our framework significantly reduces unfairness in CDR without sacrificing overall recommendation performance, while even enhancing it.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、ソースドメインからの補助信号を活用することで、ターゲットドメインのレコメンデーション品質を改善する効果的な戦略を提供する。 それでも、新たな証拠は、CDRが必然的にグループレベルの不公平性を高めることができることを示している。 本研究では,このような公平性問題が発生する理由を明らかにするために,包括的理論的,実証的な分析を行う。 具体的には2つの重要な課題を特定します。 一 ソースドメインにおける既存のグループレベルの格差を対象ドメインに体系的に伝播させるクロスドメイン格差移動 2 ドメイン間知識から得られる利益が、異なるグループに不均一に配分される場合における、クロスドメイン情報ゲインからの不公平性 これら2つの課題に対処するために,2つの主要なコンポーネントからなるクロスドメインフェアネス拡張(CDFA)フレームワークを提案する。 まず、グループ間でのトレーニング信号の伝達性を評価するために、ラベルのないデータを適応的に統合することにより、ドメイン間の格差移動を緩和する。 第2に、グループ間の公平な利益配分を確保するために、情報理論アプローチを通じて、ドメイン間の情報ゲインを再分配する。 複数のデータセットとベースラインに対する大規模な実験により、我々のフレームワークは、全体的なレコメンデーション性能を犠牲にすることなく、CDRにおける不公平性を著しく低減することを示した。

関連論文リスト

• Causal-Invariant Cross-Domain Out-of-Distribution Recommendation [15.522907452605788]
  Cross-Domain Recommendation (CDR)は、データ空間の問題に対処するために、比較的データリッチなソースドメインからの知識を活用することを目的としている。 CDR法は異なる領域間の分布シフトに対処する必要があるが、通常は独立分布と同一分布を仮定する。 そこで我々はCICDORと呼ばれる新しいCausal-Invariant Cross-Domain Out-of-distribution Recommendationフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T11:21:51Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for Multi-Source Domain Adaptation [2.734665397040629]
  マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。 異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。 本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:08:41Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。