論文の概要: Robust Recommendation from Noisy Implicit Feedback: A GMM-Weighted Bayes-label Transition Matrix Framework

• arxiv url: http://arxiv.org/abs/2605.20721v1
• Date: Wed, 20 May 2026 05:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.487375
• Title: Robust Recommendation from Noisy Implicit Feedback: A GMM-Weighted Bayes-label Transition Matrix Framework
• Title（参考訳）: 雑音入射フィードバックからのロバスト勧告:GMM重み付きベイズラベル遷移行列フレームワーク
• Authors: Zongyu Li, Xuanyu Liu, Gongce Cao, Shirui Sun, Yaqi Fang, Yongshuai Yu,
• Abstract要約: 本稿では、ロバストGMM重み付きベイズラベル遷移行列フレームワーク(RGBT)を提案する。 同時に、完全なサンプル利用を保証し、一貫した見積もりを提供し、重要なことに、見積もりのばらつきを著しく低減する。
• 参考スコア（独自算出の注目度）: 3.91492263903903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning from implicit feedback in recommender systems is fundamentally challenged by pervasive label noise. While conventional denoising approaches often discard noisy instances to ensure robustness, this strategy inevitably suffers from low data utilization. Alternative methods that employ a Bayes-label transition matrix (BLTM) can leverage all available data, but their estimates tend to be biased in practical recommendation scenarios. To address these limitations, this paper proposes a Robust GMM-weighted Bayes-label Transition Matrix framework (RGBT). Our solution utilizes a Gaussian Mixture Model (GMM) to derive instance-specific reliability scores, which systematically calibrate the BLTM estimation to mitigate bias. Theoretical analysis confirms that our approach, by leveraging the BLTM framework with GMM calibration, simultaneously ensures full sample utilization, delivers consistent estimation, and critically, achieves a significant reduction in estimation variance. Extensive experiments on multiple real-world and synthetically flipped datasets demonstrate that RGBT not only utilizes noisy samples more effectively than mainstream reliable sample-based denoising methods, but also achieves significantly superior calibration capability of the transition matrix compared to state-of-the-art transition matrix-based denoising approaches.
• Abstract（参考訳）: 推薦システムにおける暗黙のフィードバックから学ぶことは、広汎なラベルノイズによって根本的に挑戦される。 従来の denoising アプローチは、堅牢性を確保するためにノイズの多いインスタンスを破棄することが多いが、この戦略は必然的にデータ利用の低さに悩まされる。 Bayes-label transition matrix (BLTM) を用いる別の手法は、利用可能なすべてのデータを利用することができるが、それらの推定は実用的な推奨シナリオに偏っている傾向にある。 本稿では,ロバストGMM重み付きベイズラベル遷移行列フレームワーク(RGBT)を提案する。 提案手法では,Gaussian Mixture Model(GMM)を用いてインスタンス固有の信頼性スコアを導出し,BLTM推定を系統的に校正してバイアスを軽減する。 理論的解析により, BLTMフレームワークをGMMキャリブレーションで活用することにより, 試料の完全利用を同時に確保し, 一貫した推定を行い, 評価分散を著しく低減できることが確認された。 複数の実世界のデータセットと合成フリップデータセットの大規模な実験により、RGBTは、主流の信頼性の高いサンプルベースのデノナイジング法よりも、ノイズの多いサンプルを効果的に利用するだけでなく、最先端の遷移行列ベースのデノナイジング法に比べて、遷移行列のキャリブレーション能力が著しく優れていることが示された。

関連論文リスト

• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Noise-Response Calibration: A Causal Intervention Protocol for LLM-Judges [7.061518504123362]
  大規模言語モデル (LLMs) は、自動判断器や合成ラベル装置としてますます使われている。 制御された入力介入に基づく実用的なキャリブレーションプロトコルを提案する。 我々は、繰り返し試行錯誤による斜面ベースの仮説テストでこれを運用する。
  論文  参考訳（メタデータ） (2026-03-17T22:08:06Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Triply Laplacian Scale Mixture Modeling for Seismic Data Noise Suppression [51.87076090814921]
  ポーラシティに基づくテンソルリカバリ法は, 地震データノイズを抑制する大きな可能性を示している。 本研究では, 3次元ラプラシアンスケール混合(TLSM)による地震波の抑制手法を提案する。
  論文  参考訳（メタデータ） (2025-02-20T08:28:01Z)
• Best Transition Matrix Esitimation or Best Label Noise Robustness Classifier? Two Possible Methods to Enhance the Performance of T-revision [1.53744306569115]
  ラベルノイズ(英: Label noise)とは、人間のエラーやコレクションの欠陥に起因するデータセットの不正なラベルを指す。 本稿では,雑音遷移行列を推定し,ラベル雑音に対して頑健なディープラーニング分類器を構築する方法について検討する。
  論文  参考訳（メタデータ） (2025-01-02T18:27:30Z)
• Robust Learning under Hybrid Noise [24.36707245704713]
  本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
  論文  参考訳（メタデータ） (2024-07-04T16:13:25Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Stochastic Gradient MCMC with Multi-Armed Bandit Tuning [2.2559617939136505]
  本稿では,SGMCMCハイパーパラメータを調整し,後部近似の精度を最大化するバンディットに基づく新しいアルゴリズムを提案する。 シミュレーションと実データの両方で実験を行い,本手法が広範囲の応用分野に適用可能であることを確認した。
  論文  参考訳（メタデータ） (2021-05-27T11:00:31Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)

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。