論文の概要: Stay or Stray - A Dynamical Systems Viewpoint of Popularity Bias
- arxiv url: http://arxiv.org/abs/2608.10474v1
- Date: Tue, 11 Aug 2026 04:41:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.90861
- Title: Stay or Stray - A Dynamical Systems Viewpoint of Popularity Bias
- Title(参考訳): Stay or Stray - 人気バイアスの動的システム視点
- Abstract要約: 推薦システムにおける人気バイアスは、大多数のユーザクラスが不均等なインタラクションデータを生成するときに生じる。
本稿では,動的システムのレンズによるリコメンデータモデル更新とユーザエンゲージメントの複合進化について検討する。
我々は、人気バイアスが確実に出現する条件と、すべてのユーザクラスの対称保持が可能な条件を導出する。
- 参考スコア(独自算出の注目度): 20.28314553793501
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Popularity bias in recommendation systems arises when a majority user class generates disproportionate interaction data, causing the system to increasingly favour it while degrading recommendation quality for niche users. While extensive empirical evidence of popularity bias exists, the dynamics leading to its emergence are not well understood. In this work, we study the coupled evolution of recommender model updates and user engagement through the lens of dynamical systems. We formulate a stochastic process and analyse its asymptotic behaviour through an ordinary differential equation (ODE) framework grounded in two-time-scale stochastic approximation. We characterise the equilibrium points of this dynamical system, and derive conditions under which popularity bias is provably emergent, as well as conditions under which symmetric retention of all user classes is possible. We conduct experiments on synthetic data and real-world production logs derived from a large-scale commercial music recommendation platform to validate our theoretical results.
- Abstract(参考訳): レコメンデーションシステムにおける人気バイアスは、大多数のユーザが不均等なインタラクションデータを生成し、ニッチなユーザのレコメンデーション品質を低下させながら、ますます好まれるようになったときに生じる。
人気バイアスの広範な実証的な証拠は存在するが、その出現につながるダイナミクスはよく理解されていない。
本研究では,動的システムのレンズによるリコメンデータモデル更新とユーザエンゲージメントの複合進化について検討する。
確率過程を定式化し,その漸近挙動を2時間スケール確率近似に基づく常微分方程式(ODE)フレームワークを用いて解析する。
我々は,この力学系の平衡点を特徴付けるとともに,人気バイアスが証明可能な条件と,すべてのユーザクラスの対称保持が可能な条件を導出する。
我々は,大規模商業音楽レコメンデーションプラットフォームから得られた合成データと実世界のプロダクションログについて実験を行い,理論的結果を検証する。
関連論文リスト
- Probabilistic Residual Learning for Online Recommendations [50.32543279885484]
Probabilistic Residual Learning (PRL) は、局所的残差モデリングのためにユーザをグループ化する因果ベイズ的レコメンデーションモデルである。
PRLは、さまざまなベースとなるディープラーニング推奨システムと互換性があり、意味のあるユーザクラスタを自動的に発見しながら、パフォーマンスを改善している。
論文 参考訳(メタデータ) (2026-07-23T02:39:12Z) - The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems [1.6167794587866464]
本稿では、暗黙的なフィードバック、定期的なリトレーニング、および確率論的レコメンデーションの採用をキャプチャするフィードバックループモデルを提案する。
本フレームワークをオンライン小売・音楽ストリーミングデータに適用し,フィードバックループのシステム的影響を解析する。
本結果は,静的評価を超えて,レコメンダシステムを設計する際のフィードバックループのダイナミクスを明示的に考慮することの必要性を強調した。
論文 参考訳(メタデータ) (2026-02-18T09:52:52Z) - How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics [65.67654005892469]
適切なインスタンス依存サンプリングは、より強力なランキング保証を得られる一方で、スキュードオン政治サンプリングは、構造化された嗜好の下で過剰な濃度を誘導できることを示す。
次に、学習したポリシーが将来のサンプリングおよび参照ポリシーにフィードバックする反復的なアライメントダイナミクスを分析する。
我々の理論的な洞察は直接選好最適化にまで拡張され、我々が捉えた現象はより広範な選好アライメント手法に共通していることを示している。
論文 参考訳(メタデータ) (2026-02-12T17:11:08Z) - Modeling Bias Evolution in Fashion Recommender Systems: A System Dynamics Approach [0.0]
推薦システムにおけるバイアスは、ユーザー体験を歪ませるだけでなく、既存の社会的ステレオタイプを永続し、増幅する。
本研究は,Fashion Recommender Systemsにおけるバイアス活性化と強化のメカニズムを動的モデリングにより解明する。
論文 参考訳(メタデータ) (2025-09-27T20:16:29Z) - STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。
我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。
MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2025-08-26T08:47:58Z) - Response Theory via Generative Score Modeling [0.0]
スコアベース生成モデルとGFDT(Generalized Fluctuation-Dissipation Theorem)を組み合わせた外部摂動に対する動的システムの応答解析手法を提案する。
この手法は,非ガウス統計を含むシステム応答の正確な推定を可能にする。
論文 参考訳(メタデータ) (2024-02-01T21:38:10Z) - Ensuring User-side Fairness in Dynamic Recommender Systems [37.20838165555877]
本稿では,動的レコメンデーションシステムにおけるユーザ側の公正性を保証するための第一原理的な研究について述べる。
本稿では,FAir Dynamic rEcommender (FADE)を提案する。
FADEは、全体的なレコメンデーション性能を犠牲にすることなく、性能格差を効果的かつ効率的に低減することを示す。
論文 参考訳(メタデータ) (2023-08-29T22:03:17Z) - Counterfactual Augmentation for Multimodal Learning Under Presentation
Bias [48.372326930638025]
機械学習システムでは、ユーザとモデル間のフィードバックループが将来のユーザの振る舞いをバイアスし、ラベルのプレゼンテーションバイアスを引き起こす。
生成した反事実ラベルを用いてプレゼンテーションバイアスを補正する新しい因果的手法である反事実拡張を提案する。
論文 参考訳(メタデータ) (2023-05-23T14:09:47Z) - Unbiased Learning to Rank with Biased Continuous Feedback [5.561943356123711]
雑音フィードバックに基づいて相対関係を正確にモデル化するために,非バイアス学習 to ランク(LTR)アルゴリズムを検証した。
パーソナライズされた高品質なレコメンデーション結果を提供するために、レコメンダシステムはカテゴリと継続的なバイアスフィードバックの両方をモデルにする必要があります。
位置バイアス、信頼バイアス、ユーザ関係を明確に区別するために、ペアワイズ信頼バイアスを導入します。
Tencent Newsの公開ベンチマークデータセットと大規模レコメンデータシステムの内部ライブトラフィックの実験結果は、連続ラベルに対して優れた結果を示している。
論文 参考訳(メタデータ) (2023-03-08T02:14:08Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - Investigating Bias with a Synthetic Data Generator: Empirical Evidence
and Philosophical Interpretation [66.64736150040093]
機械学習の応用は、私たちの社会でますます広まりつつある。
リスクは、データに埋め込まれたバイアスを体系的に広めることである。
本稿では,特定の種類のバイアスとその組み合わせで合成データを生成するフレームワークを導入することにより,バイアスを分析することを提案する。
論文 参考訳(メタデータ) (2022-09-13T11:18:50Z) - 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。