論文の概要: Floor It, Then Fill It: Simulating Creator Ecosystems for Fair Video-Content Recommendation Systems at Billion User Scale

• arxiv url: http://arxiv.org/abs/2610.38155v1
• Date: Wed, 28 Oct 2026 01:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.357281
• Title: Floor It, Then Fill It: Simulating Creator Ecosystems for Fair Video-Content Recommendation Systems at Billion User Scale
• Title（参考訳）: Floor it, then Fill it: Simulated Creator Ecosystems for Fair Video-Content Recommendation Systems at Billion User Scale
• Abstract要約: エンゲージメント最適化されたコンテンツレコメンデーションシステムは、十分に文書化されたリッチ・ゲット・リッチなダイナミクスを示しており、大規模プラットフォームにおける新興クリエーターを構造的に不利にする。 本稿では,12週間で$sim42$Kのヘテロジニアス人口とビューアーの相互作用をモデル化したユーザシミュレーションフレームワークを提案する。 コンテンツビューアシップの目標定義や報酬関数,小規模なクリエータ予約レバーなどを変えるシミュレーション構成を評価し,クリエータ・コンテント・レコメンデーション・エクイティを最大化する。
• 参考スコア（独自算出の注目度）: 5.502592104607711
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Engagement-optimized content recommendation systems exhibit a well-documented rich-get-richer dynamic that structurally disadvantages emerging creators on large-scale platforms. Evaluating debiasing interventions at scale demands faithful simulation of creator-viewer ecosystems, yet the fidelity, diversity, and validity of such simulators remain underexplored. We present a grounded user-simulation framework that models a heterogeneous population of ${\sim}42$K creators and their coupled viewer interactions over 12~weeks, and use it to evaluate equitable view-allocation policies formulated as a budgeted multi-armed bandit (MAB). The simulator captures three behavioral dimensions: (i)~\textbf{creator diversity}, modeled via a clustering approach grounded in real platform creator-level distributions; (ii)~\textbf{behavioral fidelity}, captured through coupled creator-content state machines that represent growth trajectories, engagement accumulation, and graduation dynamics; and (iii)~\textbf{population-level validity}, measured by calibration against observed platform metrics. We evaluate simulative-configurations that vary content-viewership target definitions, reward functions, and a small-creator reserve lever to maximize creator-content recommendation equity. A floor-protected per content-view-target with a view-parity-gap reward guarantees 90\% of view targets being met by creators every week, grows small-creator organic reach ${\sim}{+}33\%$ per week, and achieves high distribution stability (set of creators with funded-views Jaccard $= 0.819$). We analyze the Sim2Real gap and propose validation protocols, contributing evidence for when simulation-derived fairness conclusions can be trusted.
• Abstract（参考訳）: エンゲージメント最適化されたコンテンツレコメンデーションシステムは、十分に文書化されたリッチ・ゲット・リッチなダイナミクスを示しており、大規模プラットフォームにおける新興クリエーターを構造的に不利にする。 大規模なデバイアスの介入を評価するには、クリエーター・ビューア・エコシステムの忠実なシミュレーションが必要であるが、そのようなシミュレータの忠実さ、多様性、妥当性は未解明のままである。 本稿では,12～週間で${\sim}42$Kのヘテロジニアス人口とビューアの相互作用をモデル化し,予算化されたマルチアームバンディット(MAB)として定式化された公平なビューアロケーションポリシーを評価するための基盤となるユーザシミュレーションフレームワークを提案する。 シミュレーターは3つの行動次元をキャプチャします。 (i)~\textbf{creator diversity}は、実際のプラットフォーム作成者レベルの分散を基盤としたクラスタリングアプローチを通じてモデル化される。 (ii)~\textbf{behavioral fidelity}, 成長軌跡, エンゲージメント蓄積, 卒業ダイナミクスを表わす共用創造性のある状態機械を通して取得する。 (iii)~\textbf{population-level validity}。 コンテンツビューアシップの目標定義や報酬関数,小規模なクリエータ予約レバーなどを変えるシミュレーション構成を評価し,クリエータ・コンテント・レコメンデーション・エクイティを最大化する。 ビュー・パーティ・ギャップの報酬を持つコンテンツ・ビュー・ターゲットあたりのフロアプロテクトは、クリエイターが毎週90%のビューターゲットを達成し、小さなクリエーターのオーガニックリーチを週${\sim}{+}33\%で成長させ、高い配信安定性を達成する(出資されたビューを持つクリエイターのセットであるJaccard$=0.819$)。 我々は,Sim2Realのギャップを分析し,検証プロトコルを提案する。

関連論文リスト

• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• Toward Visually Realistic Simulation: A Benchmark for Evaluating Robot Manipulation in Simulation [62.51953630639423]
  既存のベンチマークには視覚的リアリズムがなく、シミュレーションと現実の間に大きな領域ギャップが生じる。 シミュレーションにおけるロボット操作評価のための,視覚的にリアルなベンチマークであるVISERを提案する。 VISERは、物理ベースのレンダリング(PBR)素材を備えた1000以上の3Dアセットの高忠実度データセットと、それらのアセットから作成される3Dシーンを、レイアウトや生成によって構成する。
  論文  参考訳（メタデータ） (2026-05-07T14:13:05Z)
• World Reasoning Arena [36.28720055069025]
  WR-Arenaは、次世代シミュレーションの3つの基本的な次元に沿って世界モデルを評価するためのベンチマークである。 タスク分類を構築し、これらの能力を調査するために設計された多様なデータセットをキュレートします。 その結果、現在のモデルと人間レベルの仮説的推論との間には大きなギャップがあることがわかった。
  論文  参考訳（メタデータ） (2026-03-26T20:22:52Z)
• Infinite-World: Scaling Interactive World Models to 1000-Frame Horizons via Pose-Free Hierarchical Memory [101.2076718776139]
  複雑な実環境において,1000フレーム以上のコヒーレントな視覚記憶を維持することのできる,堅牢な対話型世界モデルを提案する。 我々は,歴史的潜水剤を固定予算の幾何学的表現に蒸留するpose-free Memory (HPMC)を導入する。 また,連続動作を三状態論理に識別する不確実性認識型アクションラベルモジュールを提案する。
  論文  参考訳（メタデータ） (2026-02-02T17:52:56Z)
• Beyond Static Testbeds: An Interaction-Centric Agent Simulation Platform for Dynamic Recommender Systems [37.15496324034216]
  RecInterは、リコメンダシステムのための新しいエージェントベースのシミュレーションプラットフォームである。 RecInterでは、ユーザーアクション(例えば、レビュー、購入など)をリアルタイムで動的に更新する。 Merchant Agentsは、より現実的で進化したエコシステムを育むことができる。
  論文  参考訳（メタデータ） (2025-05-22T09:14:23Z)
• Uncovering Untapped Potential in Sample-Efficient World Model Agents [51.65485693709418]
  Simulusは高度にモジュール化されたTBWMエージェントで、マルチモーダルトークン化フレームワーク、本質的なモチベーション、優先順位付けされたWMリプレイ、レグレッション・アズ・クラス化を統合している。 Simulusは3つの異なるベンチマークで、計画自由なWMに対して最先端のサンプル効率を達成する。
  論文  参考訳（メタデータ） (2025-02-17T08:06:10Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)

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。