論文の概要: An Epistemic Position-Based Click Model: From Interactions to Epistemic Distributions of Relevance and Bias
- arxiv url: http://arxiv.org/abs/2607.18712v1
- Date: Tue, 21 Jul 2026 05:07:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.3132
- Title: An Epistemic Position-Based Click Model: From Interactions to Epistemic Distributions of Relevance and Bias
- Title（参考訳）: てんかん位置に基づくクリックモデル:相互作用からてんかん関連性およびバイアス分布へ
- Abstract要約: 本稿では,重要な位置ベースのクリックモデルに代えて,認識の代替となる,最初の明らかな深層学習手法を提案する。
提案手法は,クリック確率の不確実性やアトラクションや位置バイアスの影響を捉える。
提案手法は,従来未確認であったデータに対する予測の不確実性を捉えるが,標準方針勾配は有意な分布を学習できない。
- 参考スコア（独自算出の注目度）: 13.021261472078605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User interactions with rankings are affected by both items' relevances and display positions. Accordingly, click probabilities are often modeled as a product of relevance and position factors; and for improving recommendation and search, one needs to disentangle relevance from position bias. However, existing click models only provide frequentist point-estimates that do not capture any measure of epistemic uncertainty. Consequently, there is no indication of how much confidence one should have in their predictions. In this work, we introduce the first evidential deep-learning approach to form an epistemic alternative to the important position-based click model. Our learned model takes as input item and position features and outputs a beta-distribution for every relevance and position-bias variable of the position-based model. These distributions capture epistemic uncertainty about click probabilities and the underlying effects of attraction and position bias. The main challenge of our approach is its optimization for which we propose approximation and conditioning techniques to provide numerical stability and variance reduction. Our experiments indicate that our approach captures epistemic uncertainty in predictions on previously-unseen data, whereas standard policy gradients fail to learn meaningful distributions. We believe our contribution of the first contextual epistemic click model constitutes an important step in incorporating Bayesian uncertainty into click modeling.
- Abstract（参考訳）: ランキングとのユーザインタラクションは、アイテムの関連性と表示位置の両方に影響を受けます。
したがって、クリック確率は、しばしば関連性と位置要因の積としてモデル化され、推奨と探索を改善するためには、位置バイアスから関連性を引き離す必要がある。
しかし、既存のクリックモデルは、疫学的不確実性の指標を捉えない頻繁な点推定しか提供しない。
結果として、その予測にどれだけの自信を持つべきかを示すものはない。
本研究は,重要な位置ベースクリックモデルに代えて,頭蓋てんかんの代替として,最初の顕在的深層学習手法を提案する。
学習モデルは入力項目および位置特徴として取り、位置ベースモデルの関連性および位置バイアス変数毎にベータ分布を出力する。
これらの分布は、クリック確率とアトラクションと位置バイアスの根底にある影響に関する疫学的な不確実性を捉えている。
提案手法の主な課題は,数値安定性と分散低減のための近似と条件付け手法を提案する最適化である。
実験の結果,本手法は未確認データの予測における認識の不確かさを捉えるが,標準方針勾配は有意な分布を学習できないことがわかった。
我々は,最初のコンテキスト認識的クリックモデルへの貢献が,ベイズの不確実性をクリックモデルに組み込む上で重要なステップであると考えている。
関連論文リスト
- Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias [4.124127724629818]
デプロイ前に新しい環境で予測モデルがどのように機能するかを検討する。
任意のブラックボックス予測モデルのターゲットリスクを推定するための二重機械学習手法を提案する。
eICU電子健康記録データベースを用いた実験により推定器の評価を行った。
論文 参考訳（メタデータ） (2026-06-12T14:39:03Z) - Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction [3.3187704612685267]
ベータ分布を用いたアノテーションのコンセンサスをモデル化する分散対応フレームワークを提案する。
モデルでは、単一の影響値を予測する代わりに、アノテーション分布の平均と標準偏差を推定する。
その結果、このモデルは感情知覚の中心的な傾向だけでなく、アノテータ応答における変動性、非対称性、不確実性も捉えている。
論文 参考訳（メタデータ） (2026-04-08T15:26:56Z) - Frequentist Validity of Epistemic Uncertainty Estimators [9.204324119167692]
ブートストラップに基づく頻繁な不確実性の尺度を導入する。
我々の主要な理論的貢献は、提案された測度と(ベイジアン)相互情報が理論的に等価であることを示す新しい展開である。
これは、相互情報に対する頻繁な解釈と、それを近似するための新しい計算戦略を提供する。
論文 参考訳（メタデータ） (2025-10-24T22:58:42Z) - TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。
キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文 参考訳（メタデータ） (2025-04-20T09:20:55Z) - Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。
カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。
本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文 参考訳（メタデータ） (2023-07-17T04:08:29Z) - An Offline Metric for the Debiasedness of Click Models [52.25681483524383]
クリックモデルは、ユーザークリックから情報を抽出する一般的な方法である。
最近の研究は、コミュニティにおける現在の評価プラクティスが、良いパフォーマンスのクリックモデルが下流のタスクにうまく一般化することを保証できないことを示している。
クリックモデリングにおける偏りの概念を導入し,その測定基準を導出する。
論文 参考訳（メタデータ） (2023-04-19T10:59:34Z) - 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) - An Epistemic and Aleatoric Decomposition of Arbitrariness to Constrain the Set of Good Models [7.620967781722717]
最近の研究では、機械学習(ML)モデルがトレーニング手順の微妙な変更に対して非常に敏感であることが示されている。
安定性は, てんかん成分と動脈成分に分解され, 予測の一貫性と信頼性を捉える。
そこで本研究では,既存の精度と公平性の基準と合わせて,てんかんおよび失読の基準を含むモデル選択手法を提案し,良質なモデルの集合を絞り込むことに成功したことを示す。
論文 参考訳（メタデータ） (2023-02-09T09:35:36Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z)
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。