論文の概要: Fair Recommender Systems for Intersecting Groups

• arxiv url: http://arxiv.org/abs/2610.40936v1
• Date: Thu, 29 Oct 2026 20:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.485779
• Title: Fair Recommender Systems for Intersecting Groups
• Title（参考訳）: 交差するグループのための公正なレコメンダシステム
• Abstract要約: 我々は、到着したユーザーが異なる人口集団に属することのできる動的レコメンデーションシステムを考える。 グループ盲検ポリシー(現在のユーザグループ情報をすべて除外する)では, 軽度条件下では, 線形完全後悔を招き, K geq 1$の項目を推奨する。 古典的アッパー信頼境界アルゴリズム(UCB)に基づくグループ認識アルゴリズムを3つ導入する。
• 参考スコア（独自算出の注目度）: 4.119048608751182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation systems that optimize for the average user can fail to capture the preferences of diverse demographic groups. We consider a dynamic recommendation system, where arriving users can belong to different demographic groups. Importantly, these groups can intersect, and a user may belong to several groups. We first show that over time, any group-blind policy (which excludes all current-user group information) recommending $K \geq 1$ items incurs linear total regret under mild conditions. In turn, we introduce three group-aware algorithms based on the classical Upper Confidence Bound algorithm (UCB): i) Intersection-Fitting, which runs UCB on each intersection, but has a sublinear group- and intersection-level regret guarantee with an exponential dependence in the number of groups; and ii) two group-level heuristics, Inner-Outer UCB and Group-Item UCB which allocate different arms to different groups, and use a sleeping expert meta-learner to choose which active group's recommendation an intersection should inherit at any given time step. We provide experimental results on two datasets, Goodreads and BoardGameGeek, and highlight that our heuristics can be preferable to the intersection-fitting algorithm when intersection-level preferences are closely related to group-level preferences, but that intersection-fitting performs better when different intersections within a same group prefer different items.
• Abstract（参考訳）: 平均的なユーザーのために最適化する勧告システムは、多様な人口集団の嗜好を捉えるのに失敗する。 我々は、到着したユーザーが異なる人口集団に属することのできる動的レコメンデーションシステムを考える。 重要なのは、これらのグループが交差し、ユーザが複数のグループに属していることだ。 まず、時間とともに、(現在のユーザグループ情報をすべて除外した)グループ盲検ポリシーは、穏やかな条件下では線形完全後悔を招き、$K \geq 1$アイテムを推奨する。 代わりに、古典的アッパー信頼境界アルゴリズム(UCB)に基づくグループ認識アルゴリズムを3つ導入する。 一 各交差点で UCB を実行するインターセクション・フィッティングであって、グループ数に指数的に依存したサブリニア・グループレベル及び交差点レベルの後悔保証を有するもの 二 内集団UCB及び内集団UCBの2つのグループレベルのヒューリスティックで、異なるグループに異なる武器を割り当て、睡眠専門家のメタラーナーを使用して、交点が任意のタイミングで継承すべき活動グループの推薦を選択する。 我々は,Goodreads と BoardGameGeek という2つのデータセットに対して実験結果を提供し,交差点レベルの選好がグループレベルの選好と密接に関連している場合,我々のヒューリスティックスは,交差点レベルの選好が同じグループ内の異なる交差点で好まれる場合には,より良い交点適合性が期待できることを示した。

関連論文リスト

• A Flexible Recommendation System for Individuals and Groups [1.0742675209112622]
  グループレコメンダシステムは通常、個々の好みを集約するか、グループを別のメタユーザとして扱うかに依存する。 本稿では、各ユーザの好みの二重表現を学習するために、GNNベースのアーキテクチャに依存する新しいアプローチを提案する。 特定の嗜好集約戦略は、グループを構成するユーザの行動プロファイルに対処するために定義される。
  論文  参考訳（メタデータ） (2026-09-23T12:27:27Z)
• GroupCoOp: Group-robust Fine-tuning via Group Prompt Learning [57.888537648437115]
  Group Context Optimization (GroupCoOp) は、単純で効果的な微調整アルゴリズムである。 微調整視覚言語モデル(VLM)の群ロバスト性を高める GroupCoOpは、5つのCLIPアーキテクチャにわたる5つのベンチマークで最高の結果を得た。
  論文  参考訳（メタデータ） (2025-09-28T09:54:30Z)
• AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
  グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
  論文  参考訳（メタデータ） (2024-09-04T10:03:09Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Learning by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
  本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。 正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。 各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-01-05T11:17:55Z)
• Fair Labeled Clustering [28.297893914525517]
  クラスタリングのダウンストリーム適用と,そのような設定に対してグループフェアネスをどのように確保するかを検討する。 このような問題に対するアルゴリズムを提供し、グループフェアクラスタリングにおけるNPハードのアルゴリズムとは対照的に、効率的な解が可能であることを示す。 また、距離空間における中心位置に関係なく、意思決定者が自由にクラスタにラベルを割り当てることができるような、モチベーションのよい代替設定についても検討する。
  論文  参考訳（メタデータ） (2022-05-28T07:07:12Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。