論文の概要: Towards Trustworthy Multi-stakeholder Recommender Systems

• arxiv url: http://arxiv.org/abs/2610.41674v1
• Date: Fri, 30 Oct 2026 12:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.706958
• Title: Towards Trustworthy Multi-stakeholder Recommender Systems
• Title（参考訳）: 信頼できるマルチステークホルダレコメンダシステムを目指して
• Abstract要約: 現在、レコメンダシステム(RS)は、何十人もの利害関係者による、しばしば対照的な要求と期待を反映し、組み合わせ、解決する必要があります。 本稿では、信頼できるマルチステークホルダーRSへの道のりで取り組む必要があるオープンな課題と重要な課題を取り上げる。
• 参考スコア（独自算出の注目度）: 1.738935604056527
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recommender system (RS) nowadays has to reflect, combine, and solve often contrasting requirements and expectations from dozens of stakeholders. In fact, the problem is even more complicated as each of the stakeholders can simultaneously have various objectives creating a diverse and complicated environment with several stakeholders and their objectives in which a RS operates. To address this problems the Multi-objective and Multi-stakeholder RS have been studied in the literature. However, a limited attention has been paid to trustworthiness aspects of such RS, which slowly becomes a new standard. In this paper, we highlight open challenges and important questions which need to be addressed on the way to trustworthy Multi-stakeholder RS.
• Abstract（参考訳）: 現在、レコメンダシステム(RS)は、何十人もの利害関係者による、しばしば対照的な要求と期待を反映し、組み合わせ、解決する必要があります。 実際、問題はさらに複雑で、各利害関係者が同時に、複数の利害関係者とRSが活動する目的を持つ多様で複雑な環境を作ることができるためである。 この問題に対処するため,多目的RSと多目的RSが文献で研究されている。 しかし、こうしたRSの信頼性面に限定的な注意が払われており、それが徐々に新しい標準となっている。 本稿では,信頼できるマルチステークホルダーRSへの道のりで解決すべき課題と重要な課題について述べる。

関連論文リスト

• Trustworthy Recommendation in the Era of Large Language Models: Opportunities and Challenges [60.18620798072947]
  大規模言語モデル(LLM)は、リコメンデータシステムに広く統合されている。 LLMは、信頼を高める前例のない機会を提供する。 しかし、彼らは同時に、新しい形の偏見や幻覚によって引き起こされる問題など、新しいリスクを導入します。
  論文  参考訳（メタデータ） (2026-05-30T05:14:53Z)
• CoRe-MMRAG: Cross-Source Knowledge Reconciliation for Multimodal RAG [53.950029990391066]
  マルチモーダルRAG(CoRe-MMRAG)のためのクロスソース知識textbfReconciliation 本稿では,知識ソース間の不整合を効果的に解決する新しいエンドツーエンドフレームワークを提案する。 KB-VQAベンチマークの実験では、CoRe-MMRAGはベースライン法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-06-03T07:32:40Z)
• Towards Agentic Recommender Systems in the Era of Multimodal Large Language Models [75.4890331763196]
  大規模言語モデル(LLM)の最近のブレークスルーは、エージェントAIシステムの出現につながっている。 LLMベースのAgentic RS(LLM-ARS)は、よりインタラクティブで、コンテキストを認識し、プロアクティブなレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2025-03-20T22:37:15Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• De-centering the (Traditional) User: Multistakeholder Evaluation of Recommender Systems [10.731079374109596]
  我々は,レコメンデータシステムのマルチステークホルダー評価の課題に焦点をあてる。 理論的原理から実践的実装への移行について論じる。 我々は,これらの複雑で領域依存的な評価問題の導入について,研究者や実践者にガイダンスを提供することを目的としている。
  論文  参考訳（メタデータ） (2025-01-09T11:44:49Z)
• Multi-agent Reinforcement Learning: A Comprehensive Survey [10.186029242664931]
  マルチエージェントシステム(MAS)は、多くの現実世界のアプリケーションにおいて広く普及し、重要な存在である。 汎用性にもかかわらず、MASにおける知的意思決定エージェントの開発は、その効果的な実装にいくつかのオープンな課題を提起している。 本調査は,ゲーム理論(GT)と機械学習(ML)による基礎概念の研究に重点を置いて,これらの課題を考察する。
  論文  参考訳（メタデータ） (2023-12-15T23:16:54Z)
• Multi-Objective Recommender Systems: Survey and Challenges [5.076419064097734]
  我々は,個々のユーザに関連するコンテンツを予測する機械学習アルゴリズムの開発に重点を置いている。 しかし、現実世界のアプリケーションでは、そのような関連性予測の精度を単一の目的として最適化することは不十分である。 複数の競合する目的を考慮しなくてはならないため、多目的レコメンデータシステムにおけるさらなる研究が必要である。
  論文  参考訳（メタデータ） (2022-10-19T05:51:54Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Q-Mixing Network for Multi-Agent Pathfinding in Partially Observable Grid Environments [62.997667081978825]
  部分的に観測可能なグリッド環境におけるマルチエージェントナビゲーションの問題点を考察する。 エージェントがまず、観察を行動にマッピングする方針を学習し、その目的を達成するためにこれらの方針に従うとき、強化学習アプローチを活用することを提案する。
  論文  参考訳（メタデータ） (2021-08-13T09:44:47Z)

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。