論文の概要: Spectral Biclustering-Driven Scalability for Post-Hoc Explainability in Recommender Systems
- arxiv url: http://arxiv.org/abs/2607.19189v1
- Date: Tue, 21 Jul 2026 15:22:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.463119
- Title: Spectral Biclustering-Driven Scalability for Post-Hoc Explainability in Recommender Systems
- Title（参考訳）: スペクトルビクラスタリングによるレコメンダシステムにおけるポストホック説明可能性のスケーラビリティ
- Abstract要約: 本稿では,グループユーザとアイテムにスペクトル双クラスタリングを用い,インタラクションの全ブロックを除去するブロック削除診断フレームワークを提案する。
ユーザセグメント、アイテムグループ、およびそれらのインタラクションのレベルでの説明を生成する。
その結果、トップランクのレコメンデーションは、低いランクのリコメンデーションよりも、特定のインタラクションブロックに敏感であることがわかった。
- 参考スコア（独自算出の注目度）: 0.3437656066916039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainability in recommender systems is essential for ensuring transparency, accountability, and trust, yet existing post-hoc methods often encounter severe scalability challenges. Observation-level deletion diagnostics offer a counterfactual way to analyze recommendations by retraining models after removing individual users or items, but their cost grows rapidly with dataset size. To improve the practical tractability of this analysis, this paper introduces a block-deletion diagnostic framework that uses spectral biclustering to group users and items and then removes entire blocks of interactions. This formulation reduces the number of retraining procedures relative to finer-grained deletion strategies and produces explanations at the level of user segments, item groups, and their interactions. The framework is evaluated on two representative recommender paradigms, Singular Value Decomposition and Neural Collaborative Filtering, using the MovieLens and Amazon datasets. The results show that top-ranked recommendations are often more sensitive to specific interaction blocks than lower-ranked ones, with some blocks acting as supporting evidence and others having a detrimental effect on recommendation quality. The analysis also indicates that user segments differ in their sensitivity to block removal, suggesting heterogeneous levels of reliance on localized interaction patterns. These findings provide diagnostic information that is not directly visible through standard recommendation metrics. Overall, the results suggest that block-deletion diagnostics offer a practical and model-agnostic post-hoc analysis framework for recommender systems, while also highlighting that the resulting explanations depend on the chosen block structure.
- Abstract（参考訳）: レコメンデータシステムの説明可能性は、透明性、説明責任、信頼を保証するために不可欠ですが、既存のポストホックなメソッドは、しばしば深刻なスケーラビリティの課題に直面します。
監視レベルの削除診断は、個々のユーザやアイテムを削除した後、モデルを再トレーニングすることでレコメンデーションを分析する反現実的な方法を提供するが、そのコストはデータセットサイズによって急速に増大する。
この分析の実用的トラクタビリティを向上させるため,本論文では,スペクトル双クラスタリングをグループユーザやアイテムに適用したブロック削除診断フレームワークを導入し,インタラクションのブロック全体を除去する。
この定式化は、よりきめ細かい削除戦略に対する訓練手順の数を減らし、ユーザセグメント、アイテムグループ、およびそれらの相互作用のレベルでの説明を生成する。
このフレームワークは、MovieLensとAmazonデータセットを使用して、Singular Value DecompositionとNeural Collaborative Filteringの2つの代表的な推奨パラダイムに基づいて評価されている。
その結果、トップランクのレコメンデーションは、低いランクのレコメンデーションよりも特定のインタラクションブロックに敏感な場合が多く、いくつかのブロックは証拠として機能し、他のブロックはレコメンデーション品質に有害な影響を及ぼすことが示された。
また、ユーザセグメントはブロック除去に対する感受性が異なり、局所的な相互作用パターンに依存する不均一なレベルが示唆されている。
これらの知見は、標準的な推奨指標から直接は見えない診断情報を提供する。
全体として、ブロック削除診断は、推奨システムに対して実用的でモデルに依存しないポストホック分析フレームワークを提供するとともに、結果として得られる説明が選択されたブロック構造に依存することを強調している。
関連論文リスト
- The Latent Diagnostic Taxonomy: A Framework for Constructing Classifiers and Diagnosing Their Decisions, Applied to Prompt Injection Detection [0.0]
本稿では,分類器をセーフガード層として構築し,補完的な診断を行うためのフレームワークを提案する。
フレームワークを公開プロンプトインジェクションデータセットに適用すると、自信のある決定のかなりの部分が単一のトークンを削除しても堅牢ではないことが分かります。
分類学の各分野において、診断されたプロンプトを修復するための戦略を推奨する。
論文 参考訳（メタデータ） (2026-08-26T21:55:15Z) - Monosemanticity in Recommender Systems [0.0]
本研究では,Amazon Fashionデータセット上に大規模な行列分解推薦システムをトレーニングし,Materyoshka Sparse Autoencoderを学習した埋め込みに適用する。
メタデータアライメントとLCMラベリングによって得られた潜在特徴を分析し,セマンティックコヒーレンスとアンタングルメントを評価する。
以上の結果から, 協調フィルタリングは階層構造が復元可能であることが示唆され, マットリシカトレーニングは, 解釈可能な潜伏因子を明らかにするための原則的メカニズムが示唆された。
論文 参考訳（メタデータ） (2026-06-28T11:16:12Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Model-agnostic post-hoc explainability for recommender systems [0.3437656066916039]
我々は,レコメンデーション設定における削除診断の体系的応用,適応,評価を開発する。
提案手法は,モデルの性能を,特定のユーザや項目を使わずにトレーニングした類似モデルと比較し,その観察が推奨者にどのように影響するかを定量化する。
モデルに依存しない性質を示すために、この提案は、広く使われているディープラーニングベースのレコメンデータであるNeural Collaborative Filtering(NCF)と、古典的な協調フィルタリング技術であるSingular Value Decomposition(SVD)の両方に適用される。
論文 参考訳（メタデータ） (2025-09-12T13:43:16Z) - Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。
既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。
干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。
コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
論文 参考訳（メタデータ） (2025-05-23T15:05:56Z) - Contextual Embedding-based Clustering to Identify Topics for Healthcare Service Improvement [3.9726806016869936]
本研究では,米国ウィスコンシン州の医療システムから収集した439件のアンケート結果から,意味のあるトピックを抽出するための教師なし手法について検討した。
キーワードに基づくフィルタリング手法を,ドメイン固有辞書を用いた苦情関連フィードバックの分離に適用した。
データが不足していて、短文からなるコヒーレンスと解釈可能性を改善するため、kBERTを提案する。
論文 参考訳（メタデータ） (2025-04-18T20:38:24Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-09T04:20:15Z) - Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。
このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。
4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文 参考訳（メタデータ） (2024-08-02T14:34:27Z) - Causal Disentangled Variational Auto-Encoder for Preference
Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。
この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文 参考訳（メタデータ） (2023-04-17T00:10:56Z) - From Intrinsic to Counterfactual: On the Explainability of
Contextualized Recommender Systems [43.93801836660617]
本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。
モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。
我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
論文 参考訳（メタデータ） (2021-10-28T01:54:04Z)
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。