論文の概要: CRAB: Codebook Rebalancing for Bias Mitigation in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2604.05113v1
• Date: Mon, 06 Apr 2026 19:18:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.45932
• Title: CRAB: Codebook Rebalancing for Bias Mitigation in Generative Recommendation
• Title（参考訳）: CRAB: ジェネレーティブレコメンデーションにおけるバイアス軽減のためのコードブックのリバランス
• Authors: Zezhong Fan, Ziheng Chen, Luyi Ma, Jin Huang, Lalitesh Morishetti, Kaushiki Nag, Sushant Kumar, Kannan Achan,
• Abstract要約: ジェネレーティブレコメンデーション(GeneRec)は、アイテムを個別なセマンティックトークンとして表現し、生成的な方法でアイテムを予測する新しいパラダイムを導入した。 GeneRecのアプローチは依然として深刻な人気バイアスに悩まされており、さらに悪化する可能性がある。 意味トークン間の周波数不均衡を緩和することにより、人気バイアスを緩和する、GeneRecのポストホック脱バイアス戦略であるCRABを提案する。
• 参考スコア（独自算出の注目度）: 14.880449551920682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation (GeneRec) has introduced a new paradigm that represents items as discrete semantic tokens and predicts items in a generative manner. Despite its strong performance across multiple recommendation tasks, existing GeneRec approaches still suffer from severe popularity bias and may even exacerbate it. In this work, we conduct a comprehensive empirical analysis to uncover the root causes of this phenomenon, yielding two core insights: 1) imbalanced tokenization inherits and can further amplify popularity bias from historical item interactions; 2) current training procedures disproportionately favor popular tokens while neglecting semantic relationships among tokens, thereby intensifying popularity bias. Building on these insights, we propose CRAB, a post-hoc debiasing strategy for GeneRec that alleviates popularity bias by mitigating frequency imbalance among semantic tokens. Specifically, given a well-trained model, we first rebalance the codebook by splitting over-popular tokens while preserving their hierarchical semantic structure. Based on the adjusted codebook, we further introduce a tree-structured regularizer to enhance semantic consistency, encouraging more informative representations for unpopular tokens during training. Experiments on real-world datasets demonstrate that CRAB significantly improves recommendation performance by effectively alleviating popularity bias.
• Abstract（参考訳）: ジェネレーティブレコメンデーション(GeneRec)は、アイテムを個別なセマンティックトークンとして表現し、生成的な方法でアイテムを予測する新しいパラダイムを導入した。 複数のレコメンデーションタスクにまたがるパフォーマンスにもかかわらず、既存のGeneRecアプローチは依然として深刻な人気バイアスに悩まされ、さらに悪化する可能性がある。 本研究では、この現象の根本原因を明らかにするための総合的な実験分析を行い、2つの中核的な洞察を得た。 1) 不均衡なトークン化は,歴史事項の相互作用から人気バイアスをさらに増幅することができる。 2)現在のトレーニング手順は,トークン間の意味的関係を無視しつつ,人気トークンを不均等に好んでいるため,人気バイアスが強くなる。 これらの知見に基づいて,感性トークン間の周波数不均衡を緩和し,人気バイアスを軽減するGeneRecのポストホック脱バイアス戦略であるCRABを提案する。 特に、よく訓練されたモデルを考えると、我々はまず、階層的な意味構造を維持しながら、過度に人気のあるトークンを分割することで、コードブックを再バランスさせます。 調整されたコードブックに基づいて、意味的一貫性を高めるために木構造正則化を導入し、トレーニング中に不人気なトークンのより情報的な表現を奨励する。 実世界のデータセットの実験では、CRABは人気バイアスを効果的に緩和することで推奨性能を大幅に改善することを示した。

関連論文リスト

• Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking [107.09842504618369]
  ジェネレーティブ・レコメンデーション(GR)は、資源効率の高いレコメンデーションのために、FLOPSの利用率の高いエンド・ツー・エンドのアプローチとして期待されている。 現在のGRモデルは,トークン生成が進むにつれてトークンレベルのバイアスがエスカレートする,重要なtextbfbias増幅問題に悩まされていることを示す。 バイアス増幅問題に対処するためには、GR to 1) がより異質な情報を導入し、2) トークン生成ステップごとにより大きな計算資源を割り当てることが重要である。
  論文  参考訳（メタデータ） (2026-02-03T16:10:54Z)
• Token-Weighted Multi-Target Learning for Generative Recommenders with Curriculum Learning [8.152671524863083]
  セマンティックIDを用いた生成レコメンデーションに適した2つの補完情報ゲインに基づくトークン重み付け手法を提案する。 本稿では,2つのトークン重み付け目標と標準可能性とを協調的に最適化する,カリキュラム学習を備えた多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T11:01:14Z)
• Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems [1.8692254863855962]
  人気度バイアスは、少数の人気アイテムが不均等な注目を集めるレコメンデーションシステムにおいて、よく知られた課題である。 この不均衡は、しばしば推奨品質の低下とアイテムの不公平な露出をもたらす。 本稿では,Sparse Autoencoder を用いたポストホック手法を提案する。
  論文  参考訳（メタデータ） (2025-08-24T10:59:56Z)
• Balancing the Scales: Reinforcement Learning for Fair Classification [2.262217900462841]
  分類タスクの公平性は、伝統的に神経表現からのバイアス除去に焦点を当ててきた。 最近の傾向は、トレーニングプロセスに公正さを埋め込むアルゴリズム的手法を好んでいる。 我々は、コンテキスト的マルチアーム・バンディット・フレームワークを採用し、我々の目的に合うように3つの人気のあるRLアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2024-07-15T11:28:16Z)
• STRAPPER: Preference-based Reinforcement Learning via Self-training Augmentation and Peer Regularization [18.811470043767713]
  優先に基づく強化学習(PbRL)は、複雑な報酬関数を2進的な人間の好みで学習することを約束する。 本稿では,不定形ラベルを記憶した報酬モデルをペナルティ化し,自信ある予測を得る自己学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T00:31:58Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)

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。