論文の概要: FairFRESH: A Neuro-Symbolic Framework for Fair and Explainable Household Food Recommendation

• arxiv url: http://arxiv.org/abs/2610.31506v1
• Date: Thu, 22 Oct 2026 16:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.474847
• Title: FairFRESH: A Neuro-Symbolic Framework for Fair and Explainable Household Food Recommendation
• Title（参考訳）: FairFRESH: 公正で説明可能な家庭用食品レコメンデーションのためのニューロシンボリックフレームワーク
• Abstract要約: 本稿は、メンバーごとのユーティリティを学習し、明確な福祉目的の下で食品を割り当て、決定論的フィルターを通じて食事規則を強制する、神経象徴的なフレームワークであるFairFRESHを紹介し、ShapleyとBanzhafの属性を用いた推奨について説明する。 NHANESのデータでは、学習されたユーティリティモデルは0.293のRecall@20を達成する。 すべてのレコメンデーションは、コード化された食事規則を満たすが、属性スコアは、成分除去時のユーティリティ損失と相関する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems typically serve one user at a time. However, in households, members share a finite pantry and follow different dietary rules, making independent recommendations prone to resource conflicts and dietary violations. We formulate household food recommendation as constrained fair division and present FairFRESH, a neuro-symbolic framework that learns per-member utilities, allocates foods under explicit welfare objectives, enforces dietary rules through a deterministic filter, and explains recommendations using Shapley and Banzhaf attributions. Theoretically, we show that no finite penalty guarantees compliance near a dietary-rule threshold, establish approximation guarantees for greedy allocation under utilitarian and smoothed Nash objectives in the stock-free model before filtering, and characterize the scale invariance of Nash welfare. We also use the minimax theorem to analyze rotating shared meals. On NHANES-derived data, the learned utility model achieves Recall@20 of 0.293, outperforming five learned recommenders (at most 0.244) but not a previous-day repetition heuristic (0.321). On held-out four-person households, Nash allocation reduces Gini disparity by 42% relative to conflict resolution while improving Recall@20 from 0.180 to 0.197. It comes within 2% of an upper bound on the smoothed Nash optimum, and rescaling one member's utilities changes at most 1.5% of assignments. All recommendations satisfy the encoded dietary rules, while attribution scores correlate with utility loss upon component removal (r = 0.76). In simulation, shared meals reduce pantry use by about one-third, and weekly rotation increases the worst-off member's utility by 38% over the best fixed meal.
• Abstract（参考訳）: 通常、レコメンダシステムは1回に1人のユーザーを提供する。 しかし、家庭では、メンバーは限られたパントリーを共有し、異なる食事規則に従っているため、資源紛争や食事違反に対して独立したレコメンデーションを行う傾向がある。 本研究は,家族の食品推奨を制約された公正な区分として定式化し,現在FairFRESHは,メンバーごとのユーティリティを学習し,明確な福祉目的の下で食品を割り当て,決定論的フィルターを用いて食事規則を施行し,ShapleyとBanzhafの属性を用いて推奨を説明する。 理論的には, 食事とルールの閾値付近で一定のペナルティが保証されないこと, 有効性とスムーズなナッシュ目標の下での欲求配分の近似を, フィルター前のストックフリーモデルで確立すること, ナッシュ福祉のスケール不変性を特徴づけること, が示されている。 また、ミニマックス定理を用いて、回転する共有食事の分析を行う。 NHANESのデータでは、学習されたユーティリティモデルは0.293のRecall@20を達成し、5つの学習された推奨者(多くは0.244)を上回ったが、前回の反復ヒューリスティック(0.321)は達成しなかった。 残った4人世帯では、ナッシュ・アロケーションは紛争解決に対するジニの格差を42%減らし、Recall@20 は 0.180 から 0.197 に改善した。 これはスムーズなナッシュ最適値の上限の2%以内であり、あるメンバーのユーティリティを再スケーリングすると、割り当ての少なくとも1.5%が変更される。 すべてのレコメンデーションは、コード化された食事規則を満たすが、属性スコアは、成分除去時のユーティリティ損失と相関する(r = 0.76)。 シミュレーションでは、共有食はパントリー使用量を約3分の1減らし、週に3回ローテーションすることで、最高の固定食を38%減らした。

関連論文リスト

• Fine-Tuning on Self-Generated and Reward-Weighted Data: Learning Dynamics, Convergence Rates, and Benefits of Off-Policyness [69.00065140233411]
  REINFORCE -- RE(S) と呼ばれる -- は、$S ge 1$グルーフステップ毎にロールアウト分布を更新する。 我々は、$ ge 1$のスペクトルを網羅するRE(S) の統一理論を開発する。 任意の固定された$S$に対して、RE(S) は、ロールアウト分布の更新数$B = lfloor T / S rfloor rightarrow infty$ として最適ポリシーへの大域収束を楽しむ。
  論文  参考訳（メタデータ） (2026-09-29T07:54:06Z)
• Beyond Similarity: Heterogeneous Graph Learning for Multi-Objective Food Substitution in Charitable Food Agencies [0.0]
  慈善食品代理店は、必要な人々に寄付された食品を配布することで、食料の安全を損なう重要な役割を担っている。 良質な食品代替品には、家庭の好み、栄養的ニーズ、およびアイテムの類似性が必要である。 我々は、慈善食品代理店における食品代替のソース・グラウンド・レコメンデーション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T14:30:00Z)
• Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization [60.89431018071735]
  グループ相対的な優位性を持つ強化学習は、訓練後の言語モデル推論のデファクトスタンダードとなっている。 異なる報酬プロファイルを持つロールアウトは、同じ利点を享受でき、現在の飽和度に関わらず、全ての目的が固定相対重みで最適化されることを示す。 本研究では,各報酬目標を独立に標準化し,目標飽和度をバッチレベルで推定した値に従って貢献を適応的に割引する飽和度認識再重み付けを導入する。
  論文  参考訳（メタデータ） (2026-08-17T04:07:50Z)
• MORL-A2C: Multi-Objective Reinforcement Learning Reranker for Optimizing Healthiness in MOPI-HFRS [25.50084229833919]
  不健康な食事行動は、米国における公衆衛生問題であり続けている。 この研究は、多目的パーソナライズされた健康に配慮した食品レコメンデーションシステムを拡張した。 MORL-A2CはMOPI-HFRSの健康基準軸をターゲットとしたシーケンシャルな意思決定拡張である。
  論文  参考訳（メタデータ） (2026-06-22T17:06:30Z)
• MARBLE: Multi-Aspect Reward Balance for Diffusion RL [71.6241143519038]
  強化学習は、拡散モデルと人間の嗜好を整合させる主要なアプローチとなっている。 既存のプラクティスは、報酬ごとに1つのスペシャリストモデルをトレーニングすることで、複数の報酬を処理します。 我々は,各報酬に対する独立な優位推定器を維持する勾配空間最適化フレームワークMARBLEを提案する。
  論文  参考訳（メタデータ） (2026-05-07T16:20:42Z)
• RVPO: Risk-Sensitive Alignment via Variance Regularization [13.192921543523283]
  本稿では, 利便集約時のリワード間分散をペナルティ化するリスクセンシティブなフレームワークであるReward-Variance Policy Optimization (RVPO)を提案する。 我々はTaylor拡張を通して、LogSumExp(SoftMin)オペレータがスムーズな分散ペナルティとして効果的に働くことを示す。 モデルがより簡単な目的を活かすために難しい制約を無視しないようにすることで、RVPOはHealthBenchの全体的なスコアを改善する。
  論文  参考訳（メタデータ） (2026-05-07T06:43:05Z)
• Bias-Aware Minimisation: Understanding and Mitigating Estimator Bias in Private SGD [56.01810892677744]
  DP-SGDにおいて,サンプルごとの勾配ノルムとプライベート勾配オラクルの推定バイアスの関連性を示す。 BAM(Bias-Aware Minimisation)を提案する。
  論文  参考訳（メタデータ） (2023-08-23T09:20:41Z)
• Two-sided fairness in rankings via Lorenz dominance [20.875347023588652]
  我々は,レコメンデーションシステムにおいて,ユーザと商品生産者の両方に対して公平なランキングを生成することの問題点を考察する。 我々はローレンツ効率の基準を用いて公正性の概念を定式化する。 公平性制約に基づく既存のアプローチとは異なり、我々のアプローチは常に公平なランキングを生成する。
  論文  参考訳（メタデータ） (2021-10-28T17:56:32Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Sharp Statistical Guarantees for Adversarially Robust Gaussian Classification [54.22421582955454]
  逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。 結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
  論文  参考訳（メタデータ） (2020-06-29T21:06:52Z)

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。