論文の概要: Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation

• arxiv url: http://arxiv.org/abs/2608.03647v1
• Date: Tue, 04 Aug 2026 13:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.219389
• Title: Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation
• Title（参考訳）: アウト・オブ・ディストリビューション・レコメンデーションのための条件同定可能な潜在環境モデル
• Abstract要約: アウト・オブ・ディストリビューション(OOD)レコメンデーションは、潜伏環境によって引き起こされる選好シフトに対して脆弱である。 我々は、このタスクを条件付き特定可能なリスク対応レコメンデーション(CI-RR)として定式化する。 我々はCILER(Con Conditionally Identibility Latent-Environment Recommendation)を提案する。
• 参考スコア（独自算出の注目度）: 17.941409894004636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) recommendation is vulnerable to preference shifts induced by a latent environment. Existing methods can infer latent states from logged interactions, yet the statistical meaning of the latent environment and its effect on preference remain underdetermined. We formulate this task as conditionally identifiable risk-aware recommendation (CI-RR) and propose Conditionally Identifiable Latent-Environment Recommendation (CILER). CILER uses a user-conditioned exponential family to model the latent environment and a feature-indexed polynomial to specify how it changes preference. It predicts by marginalizing item probabilities over the inferred environment distribution. Under sufficient variation, correct specification, and decoder regularity, CILER identifies the environment-sensitive representation up to the stated equivalence class. We further bound excess deployment log-risk by environment-inference error. Controlled studies test the observable consequences of sufficient variation and model specification. Experiments on three datasets show that CILER improves all twelve OOD ranking metrics under feature, temporal, and geographical shifts within shared support.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)レコメンデーションは、潜伏環境によって引き起こされる選好シフトに対して脆弱である。 既存の方法は、ログ化された相互作用から潜伏状態を予測することができるが、潜伏環境の統計的意味とその嗜好への影響は未決定のままである。 本稿では,この課題を条件付き識別可能なリスク対応レコメンデーション(CI-RR)として定式化し,条件付き識別可能な遅延環境レコメンデーション(CILER)を提案する。 CILERは、潜在環境をモデル化するために、ユーザー条件の指数関数ファミリと、それがどのように好みを変更するかを指定するために特徴付き多項式を使用する。 推定された環境分布に対してアイテム確率を差分化することによって予測する。 十分なバリエーション、正しい仕様、デコーダの正則性の下で、CILERは、記述された同値クラスまでの環境に敏感な表現を識別する。 さらに環境参照エラーによって、過剰なデプロイメントのログリスクを制限します。 制御された研究は、十分な変動とモデル仕様の観測可能な結果をテストする。 3つのデータセットの実験では、共有サポート内の機能、時間、地理的シフトの下で、CILERは12のOODランキングメトリクスをすべて改善している。

関連論文リスト

• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• Distributed Dynamic Invariant Causal Prediction in Environmental Time Series [9.779350203438485]
  時系列における分散動的不変因数予測(DisDy-ICPT)を提案する。 DisDy-ICPTは時間とともに動的因果関係を学習し、データ通信を必要とせずに空間的共役変数を緩和する。 その結果,DDy-ICPTはベースライン法A,Bよりも優れた予測安定性と精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-03T11:52:35Z)
• Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction [33.69413571438309]
  結果の真の原因のサブセットのみを観測した場合に,アウト・オブ・ディストリビューション予測が失敗することを示す。 環境適応型共変量選択アルゴリズムを提案する。 EACSは、様々な分布シフトの下で静的因果、不変、およびERMベースの予測器を一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-05T18:13:02Z)
• Certifiably Robust Policies for Uncertain Parametric Environments [57.2416302384766]
  本稿ではパラメータ上の未知分布を持つパラメトリックマルコフ決定プロセス(MDP)に基づくフレームワークを提案する。 パラメータによって誘導される未知のサンプル環境に対するIMDPの学習と解析を行う。 当社のアプローチは,信頼度の高い政策のパフォーマンスに厳密な拘束力をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-06T10:48:15Z)
• Nonstationary Time Series Forecasting via Unknown Distribution Adaptation [22.915008205203886]
  環境が進化するにつれて、時間分布シフトは時系列予測性能を低下させる可能性がある。 均一分布シフトを仮定して定常成分と非定常成分をアンタングルする手法もあるが、分布変化が未知であることから現実的ではない。 非定常時系列予測のためのtextbfUnknown textbfDistribution textbfAdaptation (textbfUDA) モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:16:12Z)
• Prediction under Latent Subgroup Shifts with High-Dimensional Observations [30.433078066683848]
  遅延シフト適応を用いたグラフィカルモデルにおける新しい予測手法を提案する。 RPMの新規な形態は、ソース環境における因果潜伏構造を特定し、ターゲットの予測に適切に適応する。
  論文  参考訳（メタデータ） (2023-06-23T12:26:24Z)
• Deep Generative Model for Simultaneous Range Error Mitigation and Environment Identification [29.827191184889898]
  本稿では,環境の同時検出のためのDGM(Deep Generative Model)を提案する。 一般的なUltraワイドバンドデータセットの実験では、レンジエラー軽減、異なる環境へのスケーラビリティ、および同時環境識別における新しい能力の優れた性能が示されている。
  論文  参考訳（メタデータ） (2023-05-23T10:16:22Z)
• Free Lunch for Domain Adversarial Training: Environment Label Smoothing [82.85757548355566]
  環境ラベル平滑化 (ELS) により, 騒音環境ラベルに対するトレーニング安定性, 局所収束性, 堅牢性を向上する。 特に環境ラベルが騒がしい場合, 領域の一般化・適応タスクについて, 最先端の成果が得られる。
  論文  参考訳（メタデータ） (2023-02-01T02:55:26Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)

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。