Fugu-MT 論文翻訳(概要): Ranking Bandits for Carousel Interfaces with Observable Browsing Depth

論文の概要: Ranking Bandits for Carousel Interfaces with Observable Browsing Depth

arxiv url: http://arxiv.org/abs/2610.05220v1
Date: Sun, 04 Oct 2026 13:39:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 22:31:20.455247
Title: Ranking Bandits for Carousel Interfaces with Observable Browsing Depth
Title（参考訳）: 観察可能なブラウジング深さを有するカルーセルインタフェースのランク付け帯域
Abstract要約: 学習者が$L$項目のリストを提示し、ユーザの最大閲覧深度を観察し、その深度までの位置に対してのみクリックフィードバックを受信するランキングバンドイット問題を定式化する。目的は、未知のアイテム・魅力ベクトルとブラウジング・深さ分布に基づいて、期待されるクリック数を最大化することである。 UCB、トンプソンサンプリング、DMEDに基づく3つのアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.5156484100374058
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Carousel interfaces allow a recommender system to directly observe how far a user has browsed. This signal distinguishes displayed but unclicked items from items that were never displayed, whereas conventional ranking-bandit models, including cascade and position-based models, generally treat examination as latent. We formulate a ranking-bandit problem in which a learner presents a list of $L$ items, observes the user's maximum browsing depth, and receives click feedback only for positions up to that depth. The objective is to maximize the expected number of clicks under an unknown item-attractiveness vector and a browsing-depth distribution. We propose three algorithms based on UCB, Thompson Sampling, and DMED, all of which update item statistics only from observed exposures. We derive an instance-dependent logarithmic upper bound for our UCB-based algorithm and an asymptotic upper bound for our DMED-based algorithm that coincides with the lower bound as its parameter $α\downarrow 0$, establishing asymptotic optimality in this limit. Simulations in synthetic shallow- and deep-browsing environments, together with experiments parameterized from RecGaze interaction logs, show that OD-TS attains final mean regret similar to PBM-TS, while the proposed methods achieve lower final mean regret than PBM-UCB.
Abstract（参考訳）: カルーセルインタフェースは、レコメンダシステムがユーザーが閲覧した距離を直接観察することを可能にする。この信号は表示されていない項目と表示されていない項目を区別するが、従来のランキングバンドモデル(カスケードや位置ベースモデルなど)は一般に検査を遅滞として扱う。学習者が$L$項目のリストを提示し、ユーザの最大閲覧深度を観察し、その深度までの位置に対してのみクリックフィードバックを受信するランキングバンドイット問題を定式化する。目的は、未知のアイテム・魅力ベクトルとブラウジング・深さ分布に基づいて、期待されるクリック数を最大化することである。 UCB,Thompson Sampling,DMEDの3つのアルゴリズムを提案する。 UCBアルゴリズムのインスタンス依存対数上界とDMEDアルゴリズムの漸近上界をパラメータ $α\downarrow 0$ として導出し、この極限に漸近最適性を確立する。 RecGazeの相互作用ログからパラメータ化した実験と合わせて, 合成浅層・深層環境におけるシミュレーションにより, OD-TSはPBM-TSと類似した最終平均後悔を達成でき, 提案手法はPBM-UCBよりも低い平均後悔を達成できた。

関連論文リスト

Learning in Position-Aware Multinomial Logit Bandits: From Multiplicative to General Position Effects [7.4613942546828165]
MNL(Multinomial Logit)選択フレームワークにおける動的関節配置選択と位置決め問題について検討する。本研究は,各積のアトラクションを位置特異因子でスケールする乗法的位置効果モデルから,各積に独立なアトラクションパラメータを割り当てた一般位置効果モデルまで幅広い。
論文参考訳（メタデータ） (2026-05-17T03:28:22Z)
Learning Markov Decision Processes under Fully Bandit Feedback [7.462282493793144]
強化学習における標準的な前提は、エージェントが関連する決定プロセス(MDP)において、訪れた状態-行動ペアをすべて観察するということである。我々は,$widetildeO(sqrtT)$ regretのエピソードMDPに対して,最初の効率的な帯域幅学習アルゴリズムを提供する。
論文参考訳（メタデータ） (2026-02-02T16:03:24Z)
Multi-User Contextual Cascading Bandits for Personalized Recommendation [2.506355754272765]
Multi-User Contextual Cascading Banditモデルは、複数のユーザがシーケンシャルに表示されたアイテムと同時に対話するリアルなオンライン広告シナリオをキャプチャする。我々はまず,UCBBP(Upper Confidence Bound with Backward Planning)を提案する。この設定に適したUCBスタイルのアルゴリズムで,$widetildeO(sqrtTHN)$が$T$以上,セッションステップが$H$,コンテキストが$N$以上となることを証明している。多くのユーザが同時にシステムと対話するという事実に感銘を受けて、我々はActive Up Confidence Bound withという第2のアルゴリズムを導入しました。
論文参考訳（メタデータ） (2025-08-19T16:14:33Z)
Continuous K-Max Bandits [54.21533414838677]
我々は、連続的な結果分布と弱い値-インデックスフィードバックを持つ、$K$-Maxのマルチアームバンディット問題について検討する。この設定は、レコメンデーションシステム、分散コンピューティング、サーバスケジューリングなどにおいて重要なアプリケーションをキャプチャします。我々の重要な貢献は、適応的な離散化とバイアス補正された信頼境界を組み合わせた計算効率の良いアルゴリズムDCK-UCBである。
論文参考訳（メタデータ） (2025-02-19T06:37:37Z)
Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
論文参考訳（メタデータ） (2024-10-02T08:46:34Z)
Learning over No-Preferred and Preferred Sequence of Items for Robust Recommendation (Extended Abstract) [69.50145858681951]
本稿では,暗黙のフィードバックよりも大規模レコメンダシステム(RS)を訓練するための理論的に支持された逐次戦略を提案する。本稿では,モーメント法と勾配法のいずれかを用いてモデルパラメータを更新する手法を提案する。
論文参考訳（メタデータ） (2022-02-26T22:29:43Z)
Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文参考訳（メタデータ） (2021-05-16T08:06:22Z)
Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
論文参考訳（メタデータ） (2020-12-12T22:10:15Z)
Learning to Rank under Multinomial Logit Choice [6.929312022493406]
コンテンツの最適順序付けを学ぶことは、ウェブサイト設計において重要な課題である。本稿では,この問題に対する$Omega(sqrtJT)$lowbound,$tildeO(sqrtJT)$ upperbound on the regret of the UCBアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-07T16:15:12Z)
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。