論文の概要: Normative Alignment of Recommender Systems via Internal Label Shift

• arxiv url: http://arxiv.org/abs/2607.10915v1
• Date: Sun, 12 Jul 2026 20:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.566146
• Title: Normative Alignment of Recommender Systems via Internal Label Shift
• Title（参考訳）: 内部ラベルシフトによるレコメンダシステムの規範的アライメント
• Abstract要約: NAILS (Normative Alignment of Recommender Systems via Internal Label Shift) は、アイテムレベルの属性を対象とするレコメンデーション出力とターゲット分布を整合させる、シンプルでスケーラブルな手法である。 NAILSは、ユーザのエンゲージメントに最小限の影響を伴って、属性レベルのアライメントを一貫して改善する。
• 参考スコア（独自算出の注目度）: 30.296256770490555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce NAILS (Normative Alignment of Recommender Systems via Internal Label Shift), a simple and scalable method for aligning recommendation outputs with target distributions over item-level attributes, such as categories. Recommender systems optimized solely for user engagement often fail to satisfy broader normative objectives, including fairness, diversity, and editorial values. NAILS modifies the user-conditional item distribution to induce a specified marginal distribution over attributes while preserving the preferences learned by an existing recommender system and requiring no model retraining. We formulate this problem as a form of label shift applied internally within a hierarchical classification framework. By adopting a stakeholder-centric perspective, NAILS enables recommendation outputs to be aligned with global normative objectives. Empirically, we show that NAILS consistently improves attribute-level alignment with minimal impact on user engagement, providing a practical mechanism for value-driven recommendation.
• Abstract（参考訳）: NAILS(Normative Alignment of Recommender Systems via Internal Label Shift)は,カテゴリなどのアイテムレベルの属性に対して,レコメンデーション出力とターゲット分布を整合させる,シンプルでスケーラブルな手法である。 ユーザエンゲージメントに最適化されたレコメンダシステムは、公平性、多様性、編集価値など、より広範な規範的目標を満足できないことが多い。 NAILSは、既存のレコメンデータシステムで学習した嗜好を保ちながら、モデル再トレーニングを必要とせず、属性よりも特定の限界分布を誘導するために、ユーザ条件のアイテム分布を変更する。 この問題を階層的な分類枠組みの中で内部的に適用されたラベルシフトの一形態として定式化する。 NAILSは、ステークホルダー中心の視点を採用することにより、グローバルな規範的目標に合わせたレコメンデーションアウトプットを可能にする。 経験的に、NAILSは、ユーザのエンゲージメントに最小限の影響を伴って、属性レベルのアライメントを一貫して改善し、価値駆動型レコメンデーションの実践的なメカニズムを提供する。

関連論文リスト

• Mult-DPO: Multinomial Direct Preference Optimization for Recommender Systems [72.27018654934386]
  直接選好最適化(DPO)は、ペアの選好に基づく大規模言語モデル(LLM)の簡易かつ効果的なアライメント戦略である。 しかし、レコメンデーションシステムでは、ユーザからのフィードバックがペアワイズであることは滅多にない。 提案するMult-DPOは,LLMベースのレコメンデータシステムのユーザ嗜好アライメントのための,設定された選好イベントに対するトラクタブルな多項サロゲート確率である。
  論文  参考訳（メタデータ） (2026-06-08T18:53:45Z)
• DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
  本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。 DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。 アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
  論文  参考訳（メタデータ） (2026-03-09T09:21:29Z)
• Token-Controlled Re-ranking for Sequential Recommendation via LLMs [32.61510378078676]
  CORECは、新しいトークン拡張されたリグレードフレームワークで、レコメンデーション結果の作成に特定のユーザー要求を取り入れている。 CORECは、明示的な属性ベースの信号を通じて、正確なフレキシブルなコントロールで検索結果を再ランク付けすることを可能にする。 実験により、CORECは標準推奨の有効性に関する最先端のベースラインを超えていることが示されている。
  論文  参考訳（メタデータ） (2025-11-22T04:31:19Z)
• FairPO: Robust Preference Optimization for Fair Multi-Label Learning [14.036208801810986]
  マルチラベル分類における公平性の促進を目的とした新しいフレームワークであるFairPOを提案する。 私たちのフレームワークでは、ラベルのセットは特権グループと非特権グループに分割されています。 学習問題をグループに対するロバストな最適化とすることで、より低いパフォーマンスを持つグループに対するトレーニングの重点を調整できる。
  論文  参考訳（メタデータ） (2025-05-05T07:58:54Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• RosePO: Aligning LLM-based Recommenders with Human Values [38.029251417802044]
  我々は、パーソナライズされた選好最適化(RosePO)を円滑にするための一般的なフレームワークを提案する。 RosePOは、トレーニング後の段階において、カスタマイズされた人的価値との整合性が向上する。 実世界の3つのデータセットの評価は,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-16T12:54:34Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)
• Delving Deep into Label Smoothing [112.24527926373084]
  ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化 対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
  論文  参考訳（メタデータ） (2020-11-25T08:03:11Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。