論文の概要: FairDiff: Mitigating the Self-Reinforcing Matthew Effect in Diffusion Recommender Models

• arxiv url: http://arxiv.org/abs/2609.36671v1
• Date: Tue, 29 Sep 2026 04:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.175589
• Title: FairDiff: Mitigating the Self-Reinforcing Matthew Effect in Diffusion Recommender Models
• Title（参考訳）: FairDiff:拡散リコメンダモデルにおける自己強化マシュー効果の緩和
• Abstract要約: マシューエフェクト」とフィルタバブルは、レコメンダシステムにおいて結果レベルのバイアスとして広く認識されている。 DRMは、人気バイアスの自己強化を誘発する。 DRMは、世代間、ユニークな構造上の事前ミスマッチに悩まされる。 本稿では,FairDiffを提案する。
• 参考スコア（独自算出の注目度）: 6.769372443168641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While the "Matthew Effect" and filter bubbles are widely recognized outcome-level biases in recommender systems, we reveal that Diffusion Recommender Models (DRMs) uniquely compound this issue through their generative dynamics. Rather than merely inheriting data imbalances, DRMs trigger a self-reinforcing amplification of popularity bias. We identify that this phenomenon is driven by two compounding mechanisms. First, while optimization loss is universally dominated by high-frequency items across recommenders, DRMs suffer from a unique structural prior mismatch during generation. Because the forward terminal distribution of long-tailed data deviates significantly from the standard Gaussian prior, reverse sampling trajectories inherently collapse toward high-density popular items, fundamentally suppressing niche item generation. To dismantle this self-reinforcing loop, we propose FairDiff, a plug-and-play fairness-aware diffusion framework. To overcome the popularity-dominated loss, we introduce Popularity Condition Guidance (PCG). Rather than altering the training objective, PCG acts as an inference-time distributional reweighting mechanism, mathematically reshaping the score-based gradient field to penalize high-popularity regions and guide trajectories toward niche semantics. Furthermore, we design a Semantic Calibration (SC) Module to bridge the prior mismatch, aligning the forward and reverse distributions via one-step optimal transport. Comprehensive evaluations demonstrate that FairDiff achieves state-of-the-art performance while effectively mitigating the self-reinforcing Matthew Effect, highlighting its value as a general framework for DRMs.
• Abstract（参考訳）: マシューエフェクト」とフィルタバブルはレコメンダシステムにおいて結果レベルのバイアスとして広く認識されているが、Diffusion Recommender Models (DRMs) が生成ダイナミクスを通じてこの問題を一意に複雑化することが明らかになった。 DRMは単にデータの不均衡を継承するだけでなく、人気バイアスの増幅を自己強化する。 この現象は2つの複合機構によって引き起こされる。 第一に、最適化の損失はレコメンデーター全体にわたる高周波アイテムに普遍的に支配されているが、DRMは生成時にユニークな構造上の事前ミスマッチに悩まされている。 長い尾を持つデータの前方終端分布は標準ガウス以前のものとは大きく異なるため、逆サンプリング軌道は本質的に高密度な人気アイテムに向かって崩壊し、ニッチなアイテム生成を根本的に抑制する。 この自己強化ループを分解するために,FairDiffを提案する。 人気が優先される損失を克服するため,PCG(Popularity Condition Guidance)を導入する。 トレーニング対象を変更するのではなく、PCGは推論時分布再重み付け機構として機能し、スコアベースの勾配場を数学的に再構成して高頻度領域をペナルティ化し、ニッチな意味論に向けて軌道を導く。 さらに,先行ミスマッチをブリッジするセマンティックキャリブレーション (SC) モジュールを設計し,一段階の最適輸送により前方および逆分布を整列する。 総合的な評価は、FairDiffが最先端のパフォーマンスを達成しつつ、自己強化のMatthewエフェクトを効果的に軽減し、DRMの一般的なフレームワークとしての価値を強調していることを示している。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• The Pitfall of Scaling Up: Uncovering and Mitigating Popularity Bias Amplification in Scaling Transformer-based Recommenders [26.25851138178879]
  トランスフォーマーをベースとしたシーケンシャルレコメンデータのスケーリングにおける致命的な落とし穴を特定します。 モデルサイズの増加はレコメンデーションの精度を向上させるが、同時に人気バイアスを増幅する。 このバイアスにより、システムはニッチなアイテムを犠牲にして、人気のあるアイテムを過剰に推奨するようになる。
  論文  参考訳（メタデータ） (2026-06-20T07:13:49Z)
• SteerRM: Debiasing Reward Models via Sparse Autoencoders [28.922614335072414]
  SteerRMは、Sparse Autoencoder(SAE)ベースの介入を使用して報酬モデルのバイアスを軽減するための、最初のトレーニング不要な方法である。 RM-Benchの6つの報酬モデルの中で、SteerRMはハードスプリットの精度を平均7.3ポイント改善し、全体的な性能を維持している。
  論文  参考訳（メタデータ） (2026-03-13T08:55:36Z)
• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• FADE: Towards Fairness-aware Generation for Domain Generalization via Classifier-Guided Score-based Diffusion Models [14.962882545521675]
  FairDG(Fairness-Aware Domain Generalization)は、信頼できるAIシステムを展開する上で重要な課題である。 フェアネスに対処する伝統的な手法は、分布シフトに対する考慮の欠如により、領域一般化において失敗している。 フェアネスを意識したスコアガイド拡散モデル(FADE)をFairDG問題に効果的に対処するための新しいアプローチとして提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:36:05Z)
• Robust Preference Optimization through Reward Model Distillation [68.65844394615702]
  Direct Preference Optimization (DPO) は、プライオリティデータに基づいてポリシーを直接訓練する一般的なオフラインアライメント手法である。 我々はこの現象を分析し、蒸留を用いて生成対よりも真の嗜好分布のより良いプロキシを得る。 以上の結果から,このような報酬モデルからの蒸留は,優先アノテーションの分布変化に対するロバスト性の向上につながることが示唆された。
  論文  参考訳（メタデータ） (2024-05-29T17:39:48Z)
• Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
  Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。 我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
  論文  参考訳（メタデータ） (2022-02-08T18:08:24Z)

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。