論文の概要: Adaptive Autoguidance for Item-Side Fairness in Diffusion Recommender Systems

• arxiv url: http://arxiv.org/abs/2602.14706v1
• Date: Mon, 16 Feb 2026 12:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.409682
• Title: Adaptive Autoguidance for Item-Side Fairness in Diffusion Recommender Systems
• Title（参考訳）: 拡散リコメンダシステムにおけるアイテムサイドフェアネスの適応的自動誘導
• Authors: Zihan Li, Gustavo Escobedo, Marta Moscati, Oleg Lesota, Markus Schedl,
• Abstract要約: A2G-DiffRecは適応的自己誘導を取り入れた拡散推奨器である。 A2G-DiffRecはトレーニング中にメインモデルと弱いモデルの出力を適応的に測定することを学ぶ。 MovieLens-1M,Foursquare-Tokyo,Music4All-Onionデータセットの実験結果から,A2G-DiffRecはアイテム側の公正性を高めるのに有効であることが示された。
• 参考スコア（独自算出の注目度）: 16.23680476611047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion recommender systems achieve strong recommendation accuracy but often suffer from popularity bias, resulting in unequal item exposure. To address this shortcoming, we introduce A2G-DiffRec, a diffusion recommender that incorporates adaptive autoguidance, where the main model is guided by a less-trained version of itself. Instead of using a fixed guidance weight, A2G-DiffRec learns to adaptively weigh the outputs of the main and weak models during training, supervised by a popularity regularization that promotes balanced exposure across items with different popularity levels. Experimental results on the MovieLens-1M, Foursquare-Tokyo, and Music4All-Onion datasets show that A2G-DiffRec is effective in enhancing item-side fairness at a marginal cost of accuracy reduction compared to existing guided diffusion recommenders and other non-diffusion baselines.
• Abstract（参考訳）: 拡散レコメンデータシステムは強い推奨精度を達成するが、しばしば人気バイアスに悩まされ、アイテムの露出が不平等になる。 この欠点に対処するために,適応的自己指導を取り入れた拡散推奨器であるA2G-DiffRecを導入する。 A2G-DiffRecは、固定的なガイダンスウェイトを使う代わりに、トレーニング中のメインモデルと弱いモデルのアウトプットを適応的に測定することを学び、人気レベルが異なるアイテム間のバランスの取れた露出を促進する人気正規化によって監督される。 MovieLens-1M,Foursquare-Tokyo,Music4All-Onionのデータセットによる実験結果から,既存の誘導拡散推奨器や非拡散ベースラインと比較して,A2G-DiffRecは精度低下の限界コストでアイテム側の公正性を高めるのに有効であることが示された。

関連論文リスト

• Alleviating User-Sensitive bias with Fair Generative Sequential Recommendation Model [37.544371176013435]
  新しい生成モデルパラダイムとしての拡散モデル(DM)はレコメンデーションシステムにおいて大きな成功を収めた。 本稿では,FairGENRecに基づくFairGENerative Sequence Recommendationモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-24T16:42:46Z)
• Self-NPO: Negative Preference Optimization of Diffusion Models by Simply Learning from Itself without Explicit Preference Annotations [60.143658714894336]
  拡散モデルは、画像、ビデオ、および3Dコンテンツ生成を含む様々な視覚生成タスクにおいて顕著な成功を収めている。 優先度最適化(PO)は、これらのモデルを人間の嗜好に合わせることを目的とした、顕著で成長している研究分野である。 モデル自体からのみ学習する負の選好最適化アプローチであるSelf-NPOを導入する。
  論文  参考訳（メタデータ） (2025-05-17T01:03:46Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• How Fair is Your Diffusion Recommender Model? [17.321932595953527]
  本稿では拡散に基づく推薦の先駆的手法であるDiffRecの公正性に関する最初の実証的研究を提案する。 我々の研究では、DiffRecとその変種であるL-DiffRecが、2つのベンチマークデータセット上で9つの推奨システムに対してテストされた。 拡散モデルに関するより一般的な機械学習文献と一致した傾向を示す一方で、今後の研究における不公平問題に対処するための有望な方向性を示す。
  論文  参考訳（メタデータ） (2024-09-06T15:17:40Z)
• Debiased Contrastive Representation Learning for Mitigating Dual Biases in Recommender Systems [20.559573838679853]
  レコメンデーターシステムでは、人気と適合性バイアスがレコメンデーターの有効性を損なう。 両方のバイアスに対処する因果グラフを構築し、抽象データ生成機構を記述する。 そこで,本論文では,二元分岐を緩和するための新しいDebiased Contrastive Learningフレームワークを開発するためのガイドとして,これを用いる。
  論文  参考訳（メタデータ） (2024-08-19T02:12:40Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems [84.3996727203154]
  コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。 我々はCLRecをさらに改良し、マルチCLRecを提案する。 提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
  論文  参考訳（メタデータ） (2020-05-20T08:15:23Z)

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。