論文の概要: FINALLY: A Dataset Recommender System for Recommender-Systems Research
- arxiv url: http://arxiv.org/abs/2609.08941v1
- Date: Tue, 08 Sep 2026 16:02:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 15:13:25.999071
- Title: FINALLY: A Dataset Recommender System for Recommender-Systems Research
- Title（参考訳）: FINALLY:Recommender-Systems Researchのためのデータセットレコメンダシステム
- Abstract要約: FINALLYは、オフラインのレコメンデータシステム評価のためにデータセットを構築するためのWebベースのデータセットレコメンデータである。
最後に、必要なデータセット、候補プール制限、メタデータフィルタ、ターゲットセットサイズ、ランダム選択、多様性と非多様性の戦略を組み合わせる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dataset selection shapes the empirical conditions under which recommender-system algorithms are evaluated, yet existing tools provide limited support for constructing complete dataset sets that jointly satisfy experimental constraints and set-level selection objectives. To address this problem, I developed FINALLY, a web-based dataset recommender for constructing configurable dataset sets for offline recommender-systems evaluations. FINALLY combines required datasets, candidate-pool restrictions, metadata filters, configurable target-set sizes, Random selection, and diverse and non-diverse strategies based on adapted Effective Covariance and Convex Hull objectives. I evaluated FINALLY through 420 recommendation runs across ten systematically varied configurations. All evaluated dataset sets satisfied the applicable target-size, duplicate-avoidance, snapshot-membership, required-dataset, and metadata-filter requirements. All 40 deterministic strategy--configuration combinations were reproducible. Both the Effective-Covariance-based and Convex-Hull-based strategies produced the expected diverse-versus-non-diverse score ordering in all ten configurations. Under their corresponding objectives, the diverse strategies produced scores above all 30 configuration-specific Random results, whereas the non-diverse strategies produced scores below all 30 Random results. These results establish technical consistency for the evaluated FINALLY workflow and show that the implemented strategies follow their intended optimization directions within the investigated configuration space. They do not establish the scientific suitability, global optimality, or practical superiority of the generated selections.
- Abstract（参考訳）: データセットの選択は、推奨システムアルゴリズムが評価される経験的条件を形作るが、既存のツールは、実験的な制約とセットレベルの選択目標を共同で満足する完全なデータセットを構築するための限定的なサポートを提供する。
この問題に対処するために、WebベースのデータセットレコメンデータであるFINALLYを開発した。
FINALLYは、必要なデータセット、候補プール制限、メタデータフィルタ、設定可能なターゲットセットサイズ、ランダム選択、適応された有効共分散と凸ハルの目的に基づく多種多様でない戦略を組み合わせる。
FINALLYを420まで評価し、10のシステマティックな構成で実行しました。
評価されたデータセットはすべて、適用可能なターゲットサイズ、重複回避、スナップショットメンバーシップ、必須データセット、メタデータフィルタ要件を満たした。
40の決定論的戦略--構成の組み合わせは再現可能だった。
効果共分散に基づく戦略とConvex-Hullに基づく戦略の両方が、期待される多変量非多変量スコアを全10構成で生成した。
それぞれの目的の下では、多様な戦略が30のランダム結果より上位にスコアを生成し、一方、非多様性戦略は30のランダム結果より下位にスコアを生成した。
これらの結果は、評価されたFINALLYワークフローの技術的整合性を確立し、実装戦略が検討された構成空間内で意図した最適化方向に従うことを示す。
彼らは、生成された選択の科学的適合性、大域的最適性、または実用的な優越性を確立していない。
関連論文リスト
- SCOPE: Synthetic Conditional Objectives for Policy Evolution in Black-Box Combinatorial Optimization [8.10827298136302]
SCOPEは,政策進化のための条件立案のためのフレームワークである。
SCOPEは、蓄積された検索履歴に基づいて、一連の合成目的を学習する。
SCOPEは、限られた評価予算の下で、ブラックボックス検索性能を一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-07-30T03:42:18Z) - Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings [0.9870126088784975]
機械学習モデルのベンチマークには、多くのデータセットが含まれることが多い。
効率性のためには、代わりに、小さくて代表的なデータセットの評価が好ましい。
本稿では,データセットのサブセットを選択する作業を行うためのフレームワークを紹介し,その選択戦略がグローバルモデルランキングをいかに保持するかを評価する。
論文 参考訳（メタデータ） (2026-06-26T11:50:22Z) - Active Learning with Low-Rank Structure for Data Selection [85.43185363043362]
低ランク近似と残差に基づくサンプリングに基づく新しいデータ選択フレームワークを提案する。
平均損失がデータセット全体の平均損失を近似した$tildeOleft(k + frac1varepsilon2right)$データポイントの重み付きサブセットを選択することができることを示す。
論文 参考訳（メタデータ） (2026-06-14T22:29:59Z) - Spokes: Optimizing for Diverse Pretraining Data Selection [82.66872118512403]
本稿ではG-Vendiスコアに基づく確率的多様化フレームワークを提案する。
提案手法は, ランダムサンプリングにより得られたサブセットよりも, かなり多様なサブセットを生成する。
我々はFineWebとDCLMのアプローチを評価し、既存の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-13T09:28:46Z) - Automating aggregation strategy selection in federated learning [0.0]
我々は、連合学習のための集約戦略選択を自動化し、合理化し、適応するエンドツーエンドのフレームワークを提案する。
本手法は,非IID条件下でのロバスト性や一般化を向上し,手動介入の必要性を低減させる。
論文 参考訳（メタデータ） (2026-04-09T10:08:28Z) - Optimas: Optimizing Compound AI Systems with Globally Aligned Local Rewards [98.0983122471875]
複合システムの効率的な最適化のための統一的なフレームワークであるOptimasを提案する。
各イテレーションにおいて、Optimasはローカルリワード関数(LRF)を効率よく適用し、各コンポーネントのローカル報酬を最大化しながら、この特性を維持する。
我々は,5つの実世界の化合物システムに対して広範な評価を行い,オプティマスが11.92%の平均的な改善によって強いベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2025-07-03T07:12:48Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - MLRS-PDS: A Meta-learning recommendation of dynamic ensemble selection pipelines [3.1140073169854485]
本稿では,動的アンサンブル選択のための最適なプール生成手法を提案するメタラーニングレコメンデーションシステム(MLRS)を提案する。
このシステムは、データセットのメタ機能から構築されたメタモデルを使用して、与えられたデータセットに対して最も適切なプール生成スキームとDESメソッドを予測する。
このメタ学習レコメンデーションシステムは従来の固定プールやDESメソッドの選択方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-07-10T10:31:57Z) - Experiment Planning with Function Approximation [49.50254688629728]
本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。
本稿では,関数近似に適合する2つの実験計画戦略を提案する。
そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
論文 参考訳（メタデータ） (2024-01-10T14:40:23Z) - Mixed Strategies for Robust Optimization of Unknown Objectives [93.8672371143881]
そこでは,不確実なパラメータの最悪の実現に対して,未知の目的関数を最適化することを目的として,ロバストな最適化問題を考察する。
我々は,未知の目的をノイズ点評価から逐次学習する,新しいサンプル効率アルゴリズムGP-MROを設計する。
GP-MROは、最悪のケースで期待される目標値を最大化する、堅牢でランダムな混合戦略の発見を目指している。
論文 参考訳（メタデータ） (2020-02-28T09:28:17Z)
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。