論文の概要: Isotonic Layer: A Universal Framework for Generic Recommendation Debiasing

• arxiv url: http://arxiv.org/abs/2603.06589v1
• Date: Mon, 02 Feb 2026 20:44:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.395274
• Title: Isotonic Layer: A Universal Framework for Generic Recommendation Debiasing
• Title（参考訳）: Isotonic Layer: ジェネリックレコメンデーションデバイアスのためのユニバーサルフレームワーク
• Authors: Hailing Cheng, Yafang Yang, Hemeng Tao, Fengyu Zhang,
• Abstract要約: Isotonic Layerは、神経アーキテクチャに直交線形フィッティングを直接統合する、斬新で差別化可能なフレームワークです。 これにより、モデルのアウトプットは、遅延関連性、相対性、品質スコアなどの重要な特徴と論理的に整合性を保つことができる。 提案手法は,2つのタスクの定式化を利用して,提案目標を遅延関連度推定とバイアス対応キャリブレーションに分解する。
• 参考スコア（独自算出の注目度）: 2.24699417812702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model calibration and debiasing are fundamental to the reliability and fairness of large scale recommendation systems. We introduce the Isotonic Layer, a novel, differentiable framework that integrates piecewise linear fitting directly into neural architectures. By partitioning the feature space into discrete segments and optimizing non negative slopes via a constrained dot product mechanism, we enforce a global monotonic inductive bias. This ensures model outputs remain logically consistent with critical features such as latent relevance, recency, or quality scores. We further generalize this architecture by parameterizing segment wise slopes as learnable embeddings. This enables the model to adaptively capture context specific distortions, such as position based CTR bias through specialized isotonic profiles. Our approach utilizes a dual task formulation that decouples the recommendation objective into latent relevance estimation and bias aware calibration. A major contribution of this work is the ability to perform highly granular, customized calibration for arbitrary combinations of context features, a level of control difficult to achieve with traditional non parametric methods. We also extend this to Multi Task Learning environments with dedicated embeddings for distinct objectives. Extensive empirical evaluations on real world datasets and production AB tests demonstrate that the Isotonic Layer effectively mitigates systematic bias and enhances calibration fidelity, significantly outperforming production baselines in both predictive accuracy and ranking consistency.
• Abstract（参考訳）: モデルのキャリブレーションとデバイアスは、大規模レコメンデーションシステムの信頼性と公平性に不可欠である。 Isotonic Layerは、神経アーキテクチャに直交線形フィッティングを直接統合する、斬新で差別化可能なフレームワークです。 特徴空間を離散セグメントに分割し、制約付きドット積機構により非負の勾配を最適化することにより、大域的単調誘導バイアスを強制する。 これにより、モデルのアウトプットは、遅延関連性、相対性、品質スコアなどの重要な特徴と論理的に整合性を保つことができる。 セグメントワイズを学習可能な埋め込みとしてパラメータ化することで、このアーキテクチャをさらに一般化する。 これにより、位置に基づくCTRバイアスのようなコンテキスト特異的な歪みを、特別なイソトニックプロファイルを通じて適応的にキャプチャすることができる。 提案手法は,2つのタスクの定式化を利用して,提案目標を遅延関連度推定とバイアス対応キャリブレーションに分解する。 この研究の大きな貢献は、コンテキスト特徴の任意の組み合わせに対して、高度に粒度の細かい、カスタマイズされたキャリブレーションを実行する能力である。 また、これを異なる目的のために専用の埋め込みでマルチタスク学習環境に拡張します。 実世界のデータセットと生産ABテストに関する大規模な実験的な評価は、Isotonic Layerが体系的バイアスを効果的に軽減し、キャリブレーションの忠実度を高め、予測精度とランキング整合性の両方において生産ベースラインを著しく上回ることを示した。

関連論文リスト

• ReHARK: Refined Hybrid Adaptive RBF Kernels for Robust One-Shot Vision-Language Adaptation [3.8707695363745214]
  ReHARKは、グローバルな近位正規化を通じて、少数ショット適応を再解釈する、トレーニング不要のフレームワークである。 ワンショット適応のための新しい最先端技術がReHARKによって確立され、平均精度は65.83%である。
  論文  参考訳（メタデータ） (2026-03-12T04:59:09Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Adapting Multimodal Foundation Models for Few-Shot Learning: A Comprehensive Study on Contrastive Captioners [1.2461503242570642]
  本稿では,コントラシティブ・キャピタ(CoCa)視覚バックボーンを用いた画像分類手法を提案する。 強いデータ拡張は、低ショット環境での線形探索の性能を低下させるが、LoRA微調整の安定化には不可欠である。 また,Supervised Contrastive (SupCon) の損失を組み込んだハイブリッド目的が,標準的なクロスエントロピーよりも一貫した性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-12-14T20:13:21Z)
• A Multi-Component Reward Function with Policy Gradient for Automated Feature Selection with Dynamic Regularization and Bias Mitigation [0.0]
  隠れた依存関係がモデル予測に影響を与えると、静的な機能排除戦略はバイアスを防ぐことができない。 バイアス緩和と自動特徴選択を1つの学習プロセスに統合する強化学習フレームワークを開発した。 予測者が相関し、バイアスが必然的に再帰できる環境において、フレキシブルで一般化可能な機能選択方法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T22:45:38Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• MCNet: Monotonic Calibration Networks for Expressive Uncertainty Calibration in Online Advertising [27.08760230660561]
  オンライン広告では、不確実性のキャリブレーションは、ランキングモデルの確率予測を調整し、イベントの真の可能性をよりよく近似することを目的としている。 既存のキャリブレーションアプローチは、複雑な非線形関係をモデル化し、コンテキストの特徴を考慮し、異なるデータサブセット間でバランスの取れた性能を達成する能力に欠ける可能性がある。 我々はモノトニックネットワークと呼ばれる新しいモデルを紹介し、モノトニックキャリブレーション関数、順序保存正規化器、フィールドバランス正規化器の3つの重要な設計を特徴とする。
  論文  参考訳（メタデータ） (2025-03-01T03:54:58Z)
• Rethinking Relation Extraction: Beyond Shortcuts to Generalization with a Debiased Benchmark [53.876493664396506]
  ベンチマークは、機械学習アルゴリズムのパフォーマンスの評価、比較の促進、優れたソリューションの特定に不可欠である。 本稿では,関係抽出タスクにおけるエンティティバイアスの問題に対処する。 本稿では,エンティティの代替によって,エンティティ参照と関係型との擬似相関を破る不偏関係抽出ベンチマークDREBを提案する。 DREBの新たなベースラインを確立するために,データレベルとモデルトレーニングレベルを組み合わせたデバイアス手法であるMixDebiasを導入する。
  論文  参考訳（メタデータ） (2025-01-02T17:01:06Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Heterogeneous Calibration: A post-hoc model-agnostic framework for improved generalization [8.815439276597818]
  モデル出力にポストホックモデル非依存変換を適用した不均一キャリブレーションの概念を導入し、二項分類タスクにおけるAUC性能を改善する。 単純なパターンを特徴空間の不均一なパーティションと呼び、各パーティションの完全校正がAUCを個別に最適化することを理論的に示す。 このフレームワークの理論的最適性はどんなモデルにも当てはまるが、ディープニューラルネットワーク(DNN)に注目し、このパラダイムの最も単純なインスタンス化をさまざまなオープンソースデータセットでテストする。
  論文  参考訳（メタデータ） (2022-02-10T05:08:50Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)

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。