論文の概要: xLightGCN: Explainable Graph Neural Network Based Recommendation Systems with Most Influential Peers

• arxiv url: http://arxiv.org/abs/2610.19446v1
• Date: Wed, 14 Oct 2026 02:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.919933
• Title: xLightGCN: Explainable Graph Neural Network Based Recommendation Systems with Most Influential Peers
• Title（参考訳）: xLightGCN: 説明可能なグラフニューラルネットワークによる推薦システム
• Abstract要約: 本稿では,レコメンデーションシステムによる決定のための説明を生成するための,グラフに基づく厳密なアプローチを提案する。 我々は、リコメンデーションシステムのようなユーザ向けAIのリスクに敏感な社会技術的文脈において、モデルの信頼性を確立するための重要な柱は説明可能性であると主張している。
• 参考スコア（独自算出の注目度）: 0.9821874476902969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems, systems that predict a user's preference for items in order to curate that user's feed, are a ubiquitous and central feature in online social networks. While they are a central piece of our modern digital infrastructure, many modern approaches are opaque black boxes, making them difficult to audit, understand, and assess the trustworthiness of. In this paper we present an exact, graph-based approach for generating explanations for decisions made by recommendation systems. We argue that in the risk-sensitive sociotechnical context of user-facing AI such as recommendation systems, explainability is a key pillar for establishing the trustworthiness of models and validating their effectiveness. We propose a technique built on LightGCN like architectures, an influential and popular class of recommendation models. We describe our approach and argue that it provides an appropriate assurance mechanism for these AI systems leading to specific advantages, including interpretable explanations and a theoretically guaranteed measure of explanation fidelity. We conclude by discussing limitations and directions for future research.
• Abstract（参考訳）: レコメンデーションシステム(Recommendation system)は、ユーザのフィードをキュレートするために、ユーザのアイテムの好みを予測するシステムであり、オンラインソーシャルネットワークにおいて、ユビキタスで中心的な機能である。 現代のデジタルインフラストラクチャの中心的な部分ですが、多くの現代的なアプローチは不透明なブラックボックスで、監査、理解、信頼性の評価が難しいのです。 本稿では,レコメンデーションシステムによる決定のための説明を生成するための,グラフに基づく厳密なアプローチを提案する。 我々は、リコメンデーションシステムのようなユーザ向けAIのリスクに敏感な社会技術的文脈において、モデルの信頼性を確立し、その有効性を検証する上で、説明可能性が重要な柱であると主張している。 本稿では,LightGCN のようなアーキテクチャ上に構築された手法を提案する。 本稿では,AIシステムに対する適切な保証機構が,解釈可能な説明や理論的に保証された説明忠実度など,特定のメリットをもたらすことを論じる。 今後の研究の限界と方向性について論じる。

関連論文リスト

• The Bandit's Blind Spot: The Critical Role of User State Representation in Recommender Systems [1.321203201549798]
  従来のCMABアルゴリズムの性能に異なる埋め込み型状態表現が与える影響について検討する。 大規模実験により, 状態表現の変動は, バンディットアルゴリズム自体を変更することにより達成されるものよりも向上することが示された。
  論文  参考訳（メタデータ） (2026-04-29T13:18:48Z)
• Combining Embedding-Based and Semantic-Based Models for Post-hoc Explanations in Recommender Systems [0.0]
  本稿では,埋め込みモデルとセマンティックモデルを組み合わせて,レコメンダシステムにおけるポストホックな説明を生成する手法を提案する。 私たちが定義したフレームワークは、意味があり分かりやすい説明を生み出し、ユーザの信頼と満足度を高め、eコマース分野におけるレコメンダシステムの採用を促進することを目的としています。
  論文  参考訳（メタデータ） (2024-01-09T10:24:46Z)
• Embedding in Recommender Systems: A Survey [54.55152033023537]
  本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。 マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。 パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• From Intrinsic to Counterfactual: On the Explainability of Contextualized Recommender Systems [43.93801836660617]
  本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。 モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。 我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
  論文  参考訳（メタデータ） (2021-10-28T01:54:04Z)
• Making Neural Networks Interpretable with Attribution: Application to Implicit Signals Prediction [11.427019313283997]
  本稿では,属性処理のための解釈可能なディープニューラルネットワークの新たな定式化を提案する。 マスク付きの重量を使って隠れた特徴を深く評価し、いくつかの入力制限されたサブネットワークに分割し、専門家の強化された混合として訓練する。
  論文  参考訳（メタデータ） (2020-08-26T06:46:49Z)
• A systematic review and taxonomy of explanations in decision support and recommender systems [13.224071661974596]
  我々は,勧告システムにおける説明に関する文献を体系的にレビューする。 我々は、説明施設を設計する際に考慮すべき側面の包括的分類法を考案した。
  論文  参考訳（メタデータ） (2020-06-15T18:19:20Z)

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。