論文の概要: Robust Personalized Recommendation under Hidden Confounding in MNAR

• arxiv url: http://arxiv.org/abs/2605.21066v1
• Date: Wed, 20 May 2026 11:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.652354
• Title: Robust Personalized Recommendation under Hidden Confounding in MNAR
• Title（参考訳）: MNARにおける隠れたコンファウンディング下でのロバストなパーソナライズドレコメンデーション
• Authors: Zongyu Li, Wanting Su, Tianyu Xia,
• Abstract要約: 逆の確率重み付けと二重に頑健な推定器は、隠れた共同創設者の存在では信頼できない。 本稿では,ユーザレベルの感度境界を推定する新しいフレームワークを提案する。 提案手法は, 隠れたコンバウンディングの下でのグローバルな手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 3.1497178896386995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems often rely on observational user--item interaction data, which is prone to selection bias due to users' selective interactions with items. Inverse propensity weighting and doubly robust estimators effectively mitigate selection bias under observed confounding, but are unreliable in the presence of hidden confounders. Existing approaches relying on randomized controlled trials (RCTs) or global sensitivity bounds are constrained in practice: RCTs demand costly experimental data, while global sensitivity bounds presume a uniformly bounded effect of unmeasured confounders on propensities through sensitivity analysis, thereby neglecting heterogeneity across user--item interactions. To overcome this limitation, we propose a novel framework, which estimates user--item level sensitivity bounds, thereby substantially relaxing the homogeneity assumption inherent in global sensitivity bounds named Personalized Unobserved-Confounding-aware Interaction Deconfounder (PUID). To ensure both robustness and predictive accuracy, we further develop an adversarial optimization strategy and propose a benchmark-guided variant (BPUID) that incorporates pre-trained models as stabilizing references. Extensive experiments on three real-world datasets demonstrate that our approach significantly outperforms global methods under hidden confounding, without requiring RCT data.
• Abstract（参考訳）: リコメンダシステムは、ユーザとアイテムの選択的相互作用による選択バイアスの傾向にある、観察的ユーザ-テム相互作用データに依存することが多い。逆の確率重み付けと二重の頑健な推定器は、観察されたコンバウンディングの下で選択バイアスを効果的に緩和するが、隠れた共同設立者の存在下では信頼性が低い。既存のランダム化制御試験(RCT)やグローバル感度境界に依存するアプローチは、実際に制約されている。 この制限を克服するため,ユーザレベルの感度境界を推定し,Personalized Unobserved-Confounding-aware Interaction Deconfounder (PUID) と呼ばれるグローバルな感度境界に固有の均一性仮定を効果的に緩和するフレームワークを提案する。 頑健性と予測精度の両立を保証するため,さらに逆最適化戦略を開発し,事前学習したモデルを安定化基準として組み込んだベンチマーク誘導型(BPUID)を提案する。 実世界の3つのデータセットに対する大規模な実験により、我々の手法はRCTデータを必要とせず、隠れたコンバウンディングの下でグローバルメソッドを著しく上回ることを示した。

関連論文リスト

• Robust Aggregation for Federated Sequential Recommendation with Sparse and Poisoned Data [2.9515750844111106]
  フェデレートされたシーケンシャルなレコメンデーションは、モデルトレーニングをユーザデバイスに分散することで、振る舞いデータをローカルに保ち、プライバシのリスクを低減します。 しかし、この設定には2つの困難が伴う。 個々のクライアントは通常、短くてスパースなインタラクションシーケンスにのみ貢献し、学習したユーザ表現の信頼性を制限します。 本稿では,スパース条件および逆条件下での連立推薦に適した頑健な集約フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-27T12:50:44Z)
• FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
  フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。 本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。 提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-29T08:55:19Z)
• RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors [26.88506691092044]
  ターゲット行動に対するロバスト多行動勧告(RMBRec)を提案する。 RMBRecは、情報理論の堅牢性原理に基づく、堅牢なマルチビヘイビアレコメンデーションフレームワークである。 RMBRecは最先端の手法よりも精度が高く,様々なノイズ摂動下では顕著な安定性を維持している。
  論文  参考訳（メタデータ） (2026-01-13T16:34:17Z)
• 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)
• A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
  遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。 本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T14:09:39Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。