論文の概要: Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
- arxiv url: http://arxiv.org/abs/2607.17092v1
- Date: Sun, 19 Jul 2026 06:14:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.354032
- Title: Uncertainty as Remedy: Mitigating Satisfaction Label Bias in Short Video Multi-Objective Ensemble Ranking
- Title（参考訳）: 予防としての不確実性: 短いビデオ多目的アンサンブルランキングにおける満足度ラベルバイアスの緩和
- Abstract要約: 本稿では,不確かさを意識したマルチオブジェクト・エンサンブル・ランキング・フレームワークであるUAMEを提案する。
UAME は,EMER と EASQ という2つの最先端パラダイムを一貫して改善し,質問紙によるユーザ満足度の向上を図っている。
- 参考スコア（独自算出の注目度）: 16.64526329343913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The core objective of short video recommendation is to model users' unobservable true satisfaction with recommended videos. As the dominant industrial framework, end-to-end multi-objective ensemble ranking models are typically trained with multi-dimensional dense user behavioral signals, such as clicks and watch time. However, these behavioral signals are partial, fragmented, and often mutually conflicting user satisfaction proxies, introducing uncertainty and label bias into satisfaction modeling. Conventional deterministic models overlook this uncertainty, which exacerbates satisfaction label bias and results in suboptimal model convergence. Meanwhile, existing uncertainty-aware methods mostly employ uncertainty for post-hoc ranking adjustments rather than leveraging it as a remedy to mitigate the inherent bias within the core optimization pipeline. This paper proposes UAME, an Uncertainty-Aware end-to-end Multi-objective Ensemble ranking framework for short video recommendation. UAME represents the model's prediction as a Gaussian scoring variable, where the mean denotes the predicted satisfaction score and the variance quantifies predictive uncertainty associated with this score. We further design a probabilistic pairwise ranking loss, and construct an uncertainty-aware sample-level weighting scheme to mitigate the bias. We further provide theoretical analysis suggesting that the weighting scheme helps mitigate satisfaction label bias. Extensive offline and online experiments on a large-scale industrial short video platform demonstrate that UAME consistently improves two state-of-the-art paradigms, EMER and EASQ, and better aligns with questionnaire-based user satisfaction. UAME has been deployed in our production short-video recommendation system and continues to deliver stable, statistically significant gains.
- Abstract（参考訳）: ショートビデオレコメンデーションの中核となる目的は、ユーザーが推奨するビデオで観測不能な真の満足度をモデル化することである。
産業の主流として、エンド・ツー・エンドの多目的アンサンブルランキングモデルでは、クリックやウォッチタイムなどの多次元密集したユーザ行動信号を用いて訓練されるのが一般的である。
しかしながら、これらの行動信号は部分的で断片的で、しばしば相互に矛盾するユーザ満足度プロキシであり、不確実性やラベルバイアスを満足度モデリングに導入する。
従来の決定論的モデルは、この不確実性を見落としており、これは満足度ラベルバイアスを悪化させ、最適なモデル収束をもたらす。
一方、既存の不確実性認識手法は、コア最適化パイプライン内の固有のバイアスを軽減するための対策として利用するのではなく、ポストホックランキング調整に不確実性を用いる。
本稿では,不確かさを意識したマルチオブジェクト・エンサンブル・ランキング・フレームワークであるUAMEを提案する。
UAMEは、モデルの予測をガウスのスコア変数として表現し、平均は予測された満足度スコアを表し、分散は、このスコアに関連する予測の不確かさを定量化する。
さらに、確率的ペアワイズランキングの損失を設計し、バイアスを軽減するために不確実性を考慮したサンプルレベルの重み付け方式を構築する。
さらに,重み付け方式が満足度ラベルバイアスを軽減することを示唆する理論的分析を行った。
大規模な産業用ショートビデオプラットフォーム上での大規模なオフラインおよびオンライン実験により、UAMEは2つの最先端パラダイムであるEMERとEASQを一貫して改善し、アンケートベースのユーザ満足度と整合性を向上することを示した。
UAMEは当社の短いビデオレコメンデーションシステムにデプロイされ、安定的で統計的に有意な利益を提供し続けている。
関連論文リスト
- Uncertainty-Aware and Decoder-Aligned Learning for Video Summarization [0.0]
ビデオ要約の目的は、時間的に重要なセグメントのサブセットを選択することで、長いビデオのコンパクトな表現を作ることである。
この課題は、強い注釈主観性と離散復号法に依存するため本質的に困難である。
本稿では,ビデオ要約のための不確実性とデコーダ対応の学習フレームワークであるVASTSumを提案する。
論文 参考訳（メタデータ） (2026-05-10T12:31:02Z) - Uncertainty-Aware Reward Discounting for Mitigating Reward Hacking [0.0]
現実世界の目的はしばしば不確実であり、文脈に依存し、内部的に矛盾している。
このミスマッチは、報酬のハッキング、過度な最適化、過度に信頼された振る舞いなど、アライメントの失敗につながる可能性がある。
本稿では,評価の不確かさと人間の嗜好の不確実性の両方を明示的にモデル化する二元的不確実性認識報酬フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T07:14:01Z) - MBD: A Model-Based Debiasing Framework Across User, Content, and Model Dimensions [50.00784452900918]
この課題に対処する一般モデルベースデバイアス(MBD)フレームワークを提案する。
任意のコホートに対するエンゲージメント分布の文脈平均と分散を明示的に推定する。
この統合により、フレームワークはバイアス付き生信号からバイアスなしの表現に変換することができる。
論文 参考訳（メタデータ） (2026-03-15T15:07:01Z) - Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - 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) - Fine-Grained Dynamic Framework for Bias-Variance Joint Optimization on Data Missing Not at Random [2.8165314121189247]
レコメンデーションシステムやディスプレイ広告など、ほとんどの実践的なアプリケーションでは、収集されたデータには欠落する値が含まれることが多い。
我々は,バイアスと分散を協調的に最適化する,体系的なきめ細かな動的学習フレームワークを開発した。
論文 参考訳（メタデータ） (2024-05-24T10:07:09Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - 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) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳（メタデータ） (2022-07-11T21:17:41Z) - 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)
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。