論文の概要: A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System

• arxiv url: http://arxiv.org/abs/2603.13253v1
• Date: Tue, 24 Feb 2026 15:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.234088
• Title: A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System
• Title（参考訳）: 協調型レコメンダシステムにおける個人的不公平への対処手法
• Authors: Nikita Baidya, Bidyut Kr. Patra, Ratnakar Dash,
• Abstract要約: コラボレーティブ・フィルタリング(CF)は、ユーザとイテムのインタラクションから隠れパターンを学び、アイテムをユーザに推奨する、広く使われているRSの変種である。 従来のCFモデルによって提供される勧告は、しばしばバイアスを受ける。 本稿では,レコメンデーションにおける個人ユーザの不公平性を識別・緩和する二段階アプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.575728923132091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender Systems (RSs) are exploited by various business enterprises to suggest their products (items) to consumers (users). Collaborative filtering (CF) is a widely used variant of RSs which learns hidden patterns from user-item interactions for recommending items to users. Recommendations provided by the traditional CF models are often biased. Generally, such models learn and update embeddings for all the users, thereby overlooking the biases toward each under-served users individually. This leads to certain users receiving poorer recommendations than the rest. Such unfair treatment toward users incur loss to the business houses. There is limited research which addressed individual user unfairness problem (IUUP). Existing literature employed explicit exploration-based multi-armed bandits, individual user unfairness metric, and explanation score to address this issue. Although, these works elucidate and identify the underlying individual user unfairness, however, they do not provide solutions for it. In this paper, we propose a dual-step approach which identifies and mitigates IUUP in recommendations. In the proposed work, we counterfactually introduce new interactions to the candidate users (one at a time) and subsequently analyze the benefit from this perturbation. This improves the user engagement with other users and items. Thus, the model can learn effective embeddings across the users. To showcase the effectiveness of the proposed counterfactual methodology, we conducted experiments on MovieLens-100K, Amazon Beauty and MovieLens-1M datasets. The experimental results validate the superiority of the proposed approach over the existing techniques.
• Abstract（参考訳）: Recommender Systems (RS) は様々な企業によって利用され、消費者(ユーザ)に製品(イテム)を提案する。 コラボレーティブ・フィルタリング(CF)は、ユーザとイテムのインタラクションから隠れパターンを学び、アイテムをユーザに推奨する、広く使われているRSの変種である。 従来のCFモデルによって提供される勧告は、しばしばバイアスを受ける。 一般的に、そのようなモデルはすべてのユーザの埋め込みを学習し、更新する。 これにより、一部のユーザーは他のユーザーよりも低いリコメンデーションを受けられる。 このような不公平な扱いは、ビジネスハウスに損失をもたらします。 個人ユーザ不公平問題(IUUP)に対処する研究は限られている。 既存の文献では、露骨な探索に基づくマルチ武器の盗賊、個人ユーザーの不公平度尺度、説明スコアを用いてこの問題に対処した。 しかし、これらの作業は、基礎となる個人ユーザの不公平性を解明し、特定するものであるが、それに対する解決策を提供していない。 本稿では,IUUPの推奨事項を識別・緩和する二段階アプローチを提案する。 提案手法では,候補ユーザ(一度に1つずつ)に新たなインタラクションを導入し,そのメリットを解析する。 これにより、他のユーザやアイテムとのユーザエンゲージメントが向上する。 これにより、モデルがユーザ間の効果的な埋め込みを学習することが可能になる。 提案手法の有効性を実証するため,MovieLens-100K,Amazon Beauty,MovieLens-1Mデータセットを用いて実験を行った。 実験により,提案手法の既存手法に対する優位性を検証した。

関連論文リスト

• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• User-item fairness tradeoffs in recommendations [0.7490658564954134]
  ユーザとアイテムの公平度を目標としたリコメンデーションのモデルを構築した。 a) ユーザの嗜好が多様である場合, 「自由」な項目とユーザフェアネスが存在する場合, および, (b) 好ましくない利用者は, 項目フェアネスの制約によって特に不利になる可能性がある。
  論文  参考訳（メタデータ） (2024-12-05T18:59:51Z)
• Multi-Cause Deconfounding for Recommender Systems with Latent Confounders [20.559573838679853]
  潜伏要因は、ユーザーの行動、アイテムの露出、フィードバックに異なる方法で影響を及ぼす可能性がある。 既存のメソッドは、ユーザとフィードバックの間の潜伏した共同創設者を説明できない。 提案手法は,既存共同設立者によるリコメンデータシステムのためのマルチファインデコンウンディング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:37:39Z)
• Explainable Active Learning for Preference Elicitation [0.0]
  我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。 ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
  論文  参考訳（メタデータ） (2023-09-01T09:22:33Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation [4.578469978594752]
  本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。 アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。 本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
  論文  参考訳（メタデータ） (2022-02-27T08:02:19Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)

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。