論文の概要: A Logical-Rule Autoencoder for Interpretable Recommendations

• arxiv url: http://arxiv.org/abs/2604.04270v1
• Date: Sun, 05 Apr 2026 21:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.016902
• Title: A Logical-Rule Autoencoder for Interpretable Recommendations
• Title（参考訳）: 解釈可能なレコメンデーションのための論理ルールオートエンコーダ
• Authors: Jinhao Pan, Bowen Wei, Ziwei Zhu,
• Abstract要約: 設計により解釈可能な協調フィルタリングのための論理ルール解釈オートエンコーダ(LIA)を提案する。 LIAは、各ルールニューロンにゲートパラメータが設けられた学習可能な論理ルール層を導入する。 LIAでは、ユーザーはそれぞれのレコメンデーションの背後にある決定プロセスを直接トレースすることができる。
• 参考スコア（独自算出の注目度）: 5.768273842489658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most deep learning recommendation models operate as black boxes, relying on latent representations that obscure their decision process. This lack of intrinsic interpretability raises concerns in applications that require transparency and accountability. In this work, we propose a Logical-rule Interpretable Autoencoder (LIA) for collaborative filtering that is interpretable by design. LIA introduces a learnable logical rule layer in which each rule neuron is equipped with a gate parameter that automatically selects between AND and OR operators during training, enabling the model to discover diverse logical patterns directly from data. To support functional completeness without doubling the input dimensionality, LIA encodes negation through the sign of connection weights, providing a parameter-efficient mechanism for expressing both positive and negated item conditions within each rule. By learning explicit, human-readable reconstruction rules, LIA allows users to directly trace the decision process behind each recommendation. Extensive experiments show that our method achieves improved recommendation performance over traditional baselines while remaining fully interpretable. Code and data are available at https://github.com/weibowen555/LIA.
• Abstract（参考訳）: ほとんどのディープラーニングレコメンデーションモデルはブラックボックスとして動作し、決定過程を曖昧にする潜在表現に依存します。 この本質的な解釈性の欠如は、透明性と説明責任を必要とするアプリケーションに懸念をもたらす。 本研究では,設計によって解釈可能な協調フィルタリングのための論理ルール解釈オートエンコーダ(LIA)を提案する。 LIAは学習可能な論理ルール層を導入し、各ルールニューロンには、トレーニング中にANDとOR演算子を自動的に選択するゲートパラメータが備わっており、モデルがデータから直接多様な論理パターンを発見できる。 入力次元を2倍にすることなく機能完全性をサポートするために、IAは接続重みの符号を通じて否定を符号化し、各ルール内で正と負の両方のアイテム条件を表現するパラメータ効率のメカニズムを提供する。 明示的で可読性のある再構築ルールを学習することで、RIAはユーザーがそれぞれのレコメンデーションの背後にある決定プロセスを直接トレースすることができる。 実験結果から,提案手法は従来のベースラインよりも優れたレコメンデーション性能を保ちながら,完全に解釈可能であることが示された。 コードとデータはhttps://github.com/weibowen555/LIAで公開されている。

関連論文リスト

• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• Learning to Disentangle Latent Reasoning Rules with Language VAEs: A Systematic Study [37.52166353495979]
  本研究は,推論規則を言語モデル内に明示的に組み込んで記憶する方法について検討する。 本稿では,Transformer ベースの言語 VAE における推論規則を学習するための完全なパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-24T08:38:03Z)
• Reinforcing General Reasoning without Verifiers [47.72684162518086]
  本稿では,応答検証を回避し,RLを用いて参照応答を生成する確率を直接最大化する検証自由手法(VeriFree)を提案する。 VeriFreeは、MMLU-Pro、GPQA、SuperGPQA、数学関連のベンチマークにまたがる広範囲な評価において、検証者ベースの手法に匹敵する。
  論文  参考訳（メタデータ） (2025-05-27T17:56:27Z)
• LatentQA: Teaching LLMs to Decode Activations Into Natural Language [72.87064562349742]
  自然言語におけるモデルアクティベーションに関するオープンな疑問に答えるタスクであるLatentQAを紹介する。 本稿では,アクティベーションと関連する質問応答ペアのデータセット上で,デコーダLLMを微調整するLatent Interpretation Tuning (LIT)を提案する。 我々のデコーダはまた、ステレオタイプ付き文のモデルのデバイアス化や世代ごとの感情制御など、モデルを制御するために使用する差別化可能な損失も規定している。
  論文  参考訳（メタデータ） (2024-12-11T18:59:33Z)
• Interpret the Internal States of Recommendation Model with Sparse Autoencoder [28.234859617081295]
  RecSAEは、Sparse AutoEncoderでRecommendersを解釈する自動化され、一般化可能なプローブフレームワークである。 これはレコメンデーションモデルの内部状態から解釈可能なラテントを抽出し、解釈のセマンティックな概念にリンクする。 RecSAEは解釈中にオリジナルのモデルを変更せず、解釈結果に基づいたモデルへのターゲットのデバイアスを可能にする。
  論文  参考訳（メタデータ） (2024-11-09T08:22:31Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
  大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。 本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。 効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
  論文  参考訳（メタデータ） (2023-11-18T03:05:43Z)
• Certified Reinforcement Learning with Logic Guidance [78.2286146954051]
  線形時間論理(LTL)を用いて未知の連続状態/動作マルコフ決定過程(MDP)のゴールを定式化できるモデルフリーなRLアルゴリズムを提案する。 このアルゴリズムは、トレースが仕様を最大確率で満たす制御ポリシーを合成することが保証される。
  論文  参考訳（メタデータ） (2019-02-02T20:09:32Z)

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。