論文の概要: On the Accuracy Limits of Sequential Recommender Systems: An Entropy-Based Approach

• arxiv url: http://arxiv.org/abs/2603.27952v1
• Date: Mon, 30 Mar 2026 01:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.19086
• Title: On the Accuracy Limits of Sequential Recommender Systems: An Entropy-Based Approach
• Title（参考訳）: 逐次リコメンダシステムの精度限界について:エントロピーに基づくアプローチ
• Authors: En Xu, Jingtao Ding, Yong Li,
• Abstract要約: 逐次推薦における精度限界の定量化のためのエントロピー誘導学習自由アプローチを開発した。 制御された合成発電機と様々な実世界のベンチマークの実験では、推定器は基線よりもオラクル制御の難しさを忠実に追跡している。 また、新規嗜好、ロングテール露出、アクティビティによってユーザを階層化することで、ユーザグループ診断もサポートする。
• 参考スコア（独自算出の注目度）: 14.127575297140622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommender systems have achieved steady gains in offline accuracy, yet it remains unclear how close current models are to the intrinsic accuracy limit imposed by the data. A reliable, model-agnostic estimate of this ceiling would enable principled difficulty assessment and headroom estimation before costly model development. Existing predictability analyses typically combine entropy estimation with Fano's inequality inversion; however, in recommendation they are hindered by sensitivity to candidate-space specification and distortion from Fano-based scaling in low-predictability regimes. We develop an entropy-induced, training-free approach for quantifying accuracy limits in sequential recommendation, yielding a candidate-size-agnostic estimate. Experiments on controlled synthetic generators and diverse real-world benchmarks show that the estimator tracks oracle-controlled difficulty more faithfully than baselines, remains insensitive to candidate-set size, and achieves high rank consistency with best-achieved offline accuracy across state-of-the-art sequential recommenders (Spearman rho up to 0.914). It also supports user-group diagnostics by stratifying users by novelty preference, long-tail exposure, and activity, revealing systematic predictability differences. Furthermore, predictability can guide training data selection: training sets constructed from high-predictability users yield strong downstream performance under reduced data budgets. Overall, the proposed estimator provides a practical reference for assessing attainable accuracy limits, supporting user-group diagnostics, and informing data-centric decisions in sequential recommendation.
• Abstract（参考訳）: 逐次リコメンデータシステムはオフラインの精度で着実に向上しているが、現在のモデルがデータによって課される固有の精度制限にどの程度近いかは定かではない。 この天井の信頼性, モデルに依存しない推定は, コストのかかるモデル開発に先立って, 基本的な難易度評価とヘッドルーム推定を可能にする。 既存の予測可能性分析は典型的にはエントロピー推定とファノの不等式逆転を結合するが、推奨されるのは、予測可能性の低いシステムにおける候補空間仕様への感受性とファノに基づくスケーリングからの歪みである。 逐次的推薦における精度限界を定量化するためのエントロピーによるトレーニング不要な手法を開発し,候補サイズに依存しない推定値を得る。 制御された合成発電機と多種多様な実世界のベンチマーク実験により、推定器は基線よりもオラクル制御の難しさを忠実に追跡し、候補セットのサイズに敏感であり、最先端のシーケンシャルレコメンデータ(Spearman rho 0.914 まで)間で最も達成されたオフラインの精度で高階整合を達成することが示された。 また、新規性選好、ロングテール露光、アクティビティによってユーザを階層化し、体系的な予測可能性の違いを明らかにすることで、ユーザグループ診断をサポートする。 さらに、予測可能性はトレーニングデータの選択を導くことができる: 予測可能性の高いユーザによって構築されたトレーニングセットは、データ予算の削減の下で、強力なダウンストリームパフォーマンスを得る。 全体として、提案した推定器は、達成可能な精度限界を評価し、ユーザグループ診断をサポートし、シーケンシャルなレコメンデーションでデータ中心の意思決定を行うための実用的なリファレンスを提供する。

関連論文リスト

• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
  我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。 ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。 我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
  論文  参考訳（メタデータ） (2024-10-26T14:24:37Z)
• C-Learner: Constrained Learning for Causal Inference [4.370964009390564]
  本稿では,両世界の最適な重み付けを実現し,安定したプラグイン推定を実現する新しいデバイアス化手法を提案する。 我々の制約学習フレームワークは、プラグイン量に対する一階誤差がゼロであるという制約の下で、最高のプラグイン推定器を解く。
  論文  参考訳（メタデータ） (2024-05-15T16:38:28Z)
• Doubly Calibrated Estimator for Recommendation on Data Missing Not At Random [20.889464448762176]
  既存の推定器は誤判定された暗黙の誤りと正当性スコアに依存していると我々は主張する。 本稿では,計算モデルと確率モデルの両方のキャリブレーションを含む二重校正推定器を提案する。
  論文  参考訳（メタデータ） (2024-02-26T05:08:52Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Optimal and Safe Estimation for High-Dimensional Semi-Supervised Learning [4.4102422716568235]
  本研究では,高次元半教師あり学習における推定問題について考察する。 まず,パラメータ推定のためのミニマックス下限を半教師付き設定で確立する。 この下界に到達可能な最適半教師付き推定器を提案する。
  論文  参考訳（メタデータ） (2020-11-28T18:26:46Z)

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。