論文の概要: CoSimRec: Measuring Coordinated-Content Penetration in Recommender Feedback Loops

• arxiv url: http://arxiv.org/abs/2607.15114v1
• Date: Thu, 16 Jul 2026 15:24:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.157278
• Title: CoSimRec: Measuring Coordinated-Content Penetration in Recommender Feedback Loops
• Title（参考訳）: CoSimRec: Recommender Feedback LoopsにおけるCoordinated-Content Peretrationの測定
• Abstract要約: CoSimRecはオフラインエージェントベースの評価フレームワークで、調整されたアカウント、動的ランキング、非ボット応答、ランキング介入をモデル化する。 CoSimRecは、非ボット露出とエンゲージメントのターゲットコンテンツのシェアを測定するために、アルゴリズム浸透率測定ファミリを導入した。 我々は,MIND,MovieLens,LastFMのCoSimRecを,ランダムで人気の高いフィードバックセンシティブなMF,BPR-MFレコメンデータを用いて評価した。
• 参考スコア（独自算出の注目度）: 2.633426951319157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems increasingly shape which content reaches users, making it important to understand whether coordinated activity is amplified beyond the accounts that initiate it. Existing robustness evaluations largely focus on static target-rank changes and do not capture how coordinated interactions, recommendation, and user response evolve within a feedback loop. To address this gap, we propose CoSimRec, an offline agent-based evaluation framework that models coordinated accounts, dynamic ranking, non-bot responses, and ranking interventions in a shared closed-loop process. CoSimRec introduces the Algorithmic Penetration Rate (APR) metric family to measure target content's share of non-bot exposure and engagement, lift against matched no-attack baselines, and exposure gained per coordinated interaction. We evaluate CoSimRec on MIND, MovieLens, and LastFM using random, popularity-based, feedback-sensitive, MF, and BPR-MF recommenders, with ten-seed inference for the primary APR analysis and population-scale experiments of up to 1000 users. Random controls show no statistically supported positive penetration, whereas popularity-based and feedback-sensitive ranking produce significant positive APR-Lift in all six master-worker dataset--recommender settings, reaching 0.4505 on LastFM; synchronization-aware ranking reduces APR in every corresponding defense setting.
• Abstract（参考訳）: レコメンダシステムは、ユーザーがどのコンテンツに到達するかをますます形作るため、調整されたアクティビティが開始するアカウントを超えて増幅されるかどうかを理解することが重要である。 既存の堅牢性評価は主に静的なターゲットランクの変更に焦点を当てており、フィードバックループ内での協調的なインタラクション、レコメンデーション、ユーザ応答の進化を捉えていない。 このギャップに対処するため、我々はCoSimRecを提案する。これはオフラインエージェントベースの評価フレームワークで、協調アカウント、動的ランキング、非ボット応答、および共有クローズドループプロセスにおけるランキング介入をモデル化する。 CoSimRecはアルゴリズム浸透率(APR)メトリクスファミリを導入し、ターゲットコンテンツの非ボット露出とエンゲージメントのシェアを測定し、マッチした非攻撃ベースラインに対してリフトし、協調したインタラクション毎に露出を得た。 我々は、MIND、MovieLens、LastFMのCoSimRecを、ランダムで人気があり、フィードバックに敏感なMF、BPR-MFレコメンデータを用いて評価し、最大1000人のAPR分析と人口規模実験を10列推論した。 ランダム制御は統計的に肯定的な浸透を示さないが、人気ベースとフィードバックセンシティブなランキングは6つのマスターワーカーデータセットの全てにおいて有意なAPR-Liftを生成し、LastFMでは0.4505に達した。

関連論文リスト

• SWIM: Step-Wise Integrated Measure for Session-supervised List Evaluation in Generative Re-ranking [50.941707269747866]
  ユーザ動作を有限水平プレフィックスのセッションレベルサバイバルプロセスとしてモデル化するリストレベル評価器SWIMを提案する。 SWIMは、リストワイドのタスクにおいて、ベースラインを著しく上回り、全体的なレコメンデーションエンゲージメントを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2026-08-25T19:57:48Z)
• Are We Really Making Progress in Group Recommendation? Unmasking the Tie-Breaking Illusion [4.153834414190214]
  グループレコメンデーションメソッドは、標準ベンチマークの大幅な改善を報告している。 しかし、これらの利益が常にモデリンググループの嗜好の真の進歩を反映しているかどうかは不明だ。 本研究は, 学習時間スコア圧縮と評価時間決定的タイブレッシングの相互作用による系統的評価バイアスによって, 最近のいくつかの手法が影響を受けることを示す。
  論文  参考訳（メタデータ） (2026-08-11T17:50:08Z)
• Co-Evolving LLM Evaluators and Policies via DynamicRubric [67.2962847914162]
  政策によって引き起こされたサンプルに対する評価者フィードバックによるポストトレーニングは、大きな言語モデルを改善するための主要なメカニズムとなる。 反応条件付き評価器であるDynamicRubricを提案する。 8Bバックボーンを用いた実験では、DynamicRubricは評価器のパフォーマンスを改善し、ベースラインよりも強力なポリシー管理を提供する。
  論文  参考訳（メタデータ） (2026-07-22T12:35:40Z)
• Boosting Self-Consistency with Ranking [56.38798757709555]
  自己整合性は、複数の推論パスをサンプリングし、最も頻繁な回答を選択することで、大きな言語モデルを改善する。 この制限は、自己整合性における解答選択をランク付け問題として再構成する、ランク付け改善自己整合性(RISC)に対処する。
  論文  参考訳（メタデータ） (2026-06-03T16:12:30Z)
• Don't Let Bandit Feedback Pull Continual LLM-Recommender Updates Off Target [42.681980014826536]
  ジェネレーティブレコメンダ(LLM-Rec)は、デプロイ後の継続的な更新を必要とする。 デプロイメントログはポリシ形式のコンテキスト帯フィードバックのみを提供する。 連続LDM-Rec更新のためのアンコレッド帯域ポリシー最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T11:10:44Z)
• Revisiting Reinforcement Learning with Verifiable Rewards from a Contrastive Perspective [10.958642517467721]
  RLVRにおけるコントラストシーケンスレベルのポリシー最適化のためのフレームワークを提案する。 ConSPOはGRPOのクリップされた比率ベースのスコアを、長さ正規化されたシーケンスログ確率に置き換える。 ConSPOは、挑戦的な数学的推論ベンチマークにおいて、いくつかの強力なRLVRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-13T04:02:36Z)
• The Reciprocity Gradient [52.35929743862925]
  コミュニケーションは、戦略的相互作用における相互性と協力を維持するための基本である。 学習エージェントに特有の集中的最適化の難しさとして,影響帰属問題を同定し,定式化する。 これを解決するために、公衆の観察から訓練された相手の政策の個人推定器を通して、報酬勾配を明示的に逆伝搬する相互性勾配を導入する。
  論文  参考訳（メタデータ） (2026-05-08T16:29:52Z)
• Consensus-Driven Group Recommendation on Sparse Explicit Feedback: A Collaborative Filtering and Choquet-Borda Aggregation Framework [0.0]
  本稿ではコンセンサス駆動型ハイブリッドグループレコメンデーションフレームワークを提案する。 近所のコラボレーティブ・フィルタリングとファジィ・アグリゲーションを統合し、合意、公正さ、そして疎遠さをサポートする。 実世界のデータセットを用いた実験結果から,提案手法はグループレベルのコンセンサス,満足度,公正性を向上し,バランスの取れたノベルティを維持した。
  論文  参考訳（メタデータ） (2026-01-14T03:49:35Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• RAG-Zeval: Towards Robust and Interpretable Evaluation on RAG Responses through End-to-End Rule-Guided Reasoning [64.46921169261852]
  RAG-Zevalは、ルール誘導推論タスクとして忠実さと正しさの評価を定式化する、新しいエンドツーエンドフレームワークである。 提案手法は、強化学習による評価者を訓練し、コンパクトなモデルにより包括的および音質評価を生成する。 実験では、RAG-Zevalの優れた性能を示し、人間の判断と最も強い相関性を達成した。
  論文  参考訳（メタデータ） (2025-05-28T14:55:33Z)
• Enhancing Federated Survival Analysis through Peer-Driven Client Reputation in Healthcare [1.2289361708127877]
  Federated Learningは、患者のデータのプライバシを損なうことなく、協調的なモデルトレーニングを可能にすることで、デジタルヘルスを大いに約束する。 本稿では、分散化されたピアフィードバックとクラスタリングに基づくノイズハンドリングを統合した、フェデレーション型医療のためのピア駆動評価機構を提案する。 クライアント側のモデル更新に差分プライバシを適用することで、評判計算中に機密情報が保護されることが保証される。
  論文  参考訳（メタデータ） (2025-05-22T03:49:51Z)
• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions [18.90946044396516]
  音楽ストリーミング、ビデオストリーミング、ニュースレコメンデーション、eコマースサービスは、しばしばシーケンシャルな方法でコンテンツを扱う。 したがって、適切なレコメンデーションのシーケンスの提供と評価は、これらのサービスにとって重要な問題である。 そこで本研究では,アナルアンバイアスの少ない報酬の逐次的相互作用が可能な新しい反事実推定器を提案する。
  論文  参考訳（メタデータ） (2020-07-25T17:58:01Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。