論文の概要: Recommendation Feedback Loops Shape Urban Income Segregation and Venue Visitation

• arxiv url: http://arxiv.org/abs/2610.41911v1
• Date: Fri, 30 Oct 2026 15:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.796308
• Title: Recommendation Feedback Loops Shape Urban Income Segregation and Venue Visitation
• Title（参考訳）: レコメンデーションフィードバックループは都市所得の分別とベニュービジションを形作る
• Abstract要約: 位置ベースのレコメンデーターシステムは、人々が都市に行き、彼らが操縦する訪問から学ぶ場所を形作る。 このフィードバックループは、人々が所得グループ全体で場所を共有し、どの場所が顧客を引き付け続けているかを示す。 本研究では,所得層間での被曝が不均一である場合と,シミュレートされた住民からの訪問を受けない会場のシェアの2つの都市的影響について検討する。
• 参考スコア（独自算出の注目度）: 8.418764160788792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Location-based recommender systems shape where people go in cities and learn from the visits they steer, forming a human-AI feedback loop. This feedback loop shapes whom people share places with across income groups and which venues keep attracting customers. Yet platforms judge these systems by their offline accuracy on past visits, a test in which the suggestions never change where people go and which therefore cannot capture long-term effects. Studying these effects in cities is challenging because, unlike online resources, travel constraints and limited venue capacity shape where people can go, while each recommended visit also changes whom other visitors encounter. To capture such features, we build a long-term simulation framework based on fine-grained human mobility data from four U.S. metropolitan areas, with distance and capacity constraints. Focusing on food venues, we study two urban consequences: how unevenly people's exposure is distributed across income groups (experienced income segregation) and the share of venues receiving no visits from simulated residents (venue disappearance). We find that, under every algorithm and in every metropolitan area, at least a fifth of venues stop receiving visits, and that more than half of this loss arises from retraining. More importantly, more accurate algorithms leave people more segregated, and the most accurate algorithm leaves people 15-21% more segregated than they actually are. We then test a re-ranking intervention that favours less popular venues and runs on top of a platform's existing algorithm. It lowers both venue disappearance and segregation across algorithms, largely without directing people to venues where they may feel less comfortable. Our results suggest that impact assessments of recommender systems should account for the feedback loop and report segregation and venue disappearance beyond accuracy.
• Abstract（参考訳）: ロケーションベースのレコメンデーターシステムは、人々が都市に行き、彼らが操縦する訪問から学び、人間とAIのフィードバックループを形成する。 このフィードバックループは、人々が所得グループ全体で場所を共有し、どの場所が顧客を引き付け続けているかを示す。 しかし、プラットフォームは過去の訪問でこれらのシステムをオフラインの精度で判断する。 都市でのこれらの効果を研究することは、オンラインリソースとは異なり、旅行の制約や、人々が行ける場所の容量の制限があるため困難である。 このような特徴を捉えるため、我々は、距離とキャパシティの制約のある4大都市圏の詳細な人体移動データに基づく長期シミュレーションフレームワークを構築した。 食堂に焦点をあてて,不均一な被曝が所得グループ(経験的所得分離)に分散されるか,シミュレートされた住民からの訪問を受けない施設のシェア(事業の消失)の2つの都市効果について検討した。 すべてのアルゴリズムと大都市圏において、少なくとも5分の1の会場が訪問を中止しており、この損失の半数以上が再訓練によって発生していることがわかった。 さらに重要なのは、より正確なアルゴリズムは人々がより分離しやすくし、最も正確なアルゴリズムは、人々が実際よりも15～21%の分離を残します。 次に、人気のない場所を優先し、プラットフォームの既存のアルゴリズム上で実行される、再ランクの介入をテストする。 場所の消失とアルゴリズム間の分離の両方を減らし、人々は快適でないと感じられる場所へ誘導する。 以上の結果から,レコメンデータシステムの影響評価は,フィードバックループを考慮し,分離や場所の消失を正確に報告すべきであることが示唆された。

関連論文リスト

• Zero-Shot Cross-City Generalization in End-to-End Autonomous Driving: Self-Supervised versus Supervised Representations [9.18632648031395]
  エンド・ツー・エンド軌道計画におけるゼロショット・クロスシティの一般化について検討する。 自己監督型視覚表現は都市間の移動を改善する。 これらの結果は、エンド・ツー・エンドの自動運転システムを評価するために必要なテストとしてゼロショットの地理的移動を確立する。
  論文  参考訳（メタデータ） (2026-03-12T01:19:32Z)
• The Urban Impact of AI: Modeling Feedback Loops in Next-Venue Recommendation [1.4467930374568725]
  次世代のレコメンデータシステムは、ロケーションベースのサービスにますます組み込まれている。 我々は,次世代の勧告を支える人間とAIのフィードバックループをモデル化するためのシミュレーションフレームワークを提案する。 当社のフレームワークは,次回の勧告でフィードバックループを運用し,AI支援モビリティの社会的影響を評価するための新たなレンズを提供する。
  論文  参考訳（メタデータ） (2025-04-10T17:15:50Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Auditing Yelp's Business Ranking and Review Recommendation Through the Lens of Fairness [10.550608462255056]
  本研究ではYelpのビジネスランキングとレビューレコメンデーションシステムのバイアスについて検討する。 確立されていないユーザのレビューは、不均等に非推奨に分類されていることが分かりました。 また, ホットスポット地域におけるレストランの立地と, 平均露光量との間には, 肯定的な相関関係が認められた。
  論文  参考訳（メタデータ） (2023-08-04T04:12:33Z)
• Grab the Reins of Crowds: Estimating the Effects of Crowd Movement Guidance Using Causal Inference [0.0]
  過去のデータから観衆運動指導の効果を推定する問題を考察する。 深層表現学習における最近の2つの手法を空間データ分析と因果推論に活用する。 提案手法は,最先端手法から推定誤差を最大56%削減する。
  論文  参考訳（メタデータ） (2021-02-08T03:17:08Z)
• Fine-Grained Crowd Counting [59.63412475367119]
  現在の群衆カウントアルゴリズムは、画像内の人の数にのみ関係している。 本研究では,各個体の低レベル行動特性に基づいて,群集をカテゴリに分類する,きめ細かい群集カウントを提案する。
  論文  参考訳（メタデータ） (2020-07-13T01:31:12Z)
• Over-crowdedness Alert! Forecasting the Future Crowd Distribution [87.12694319017346]
  提案手法は,クラウドビデオの逐次的フレームを識別アノテーションを使わずに,近い将来に群衆の分布を予測することを目的として,新しい群集解析問題を定式化したものである。 この問題を解決するために, 連続する群集映像フレームを入力とし, 対応する密度マップを補助情報として利用するグローバルな2ストリームリカレントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T08:59:54Z)

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。