SIGIRMay, 2021

AutoDebias: 为推荐学习去偏见

PDF
TL;DR基于 risk-discrepancy 的架构能很好的概括现有去偏见策略，并提出一个 meta-learning 算法 AutoDebias 用于训练，通过对两个真实数据集和一个模拟数据集的验证，AutoDebias 证明了其在去偏见方面的有效性。
recommender systemsuser behavior datadebiasing strategiesrisk discrepancyautodebias
发现论文，激发创造
  • 推荐作为治疗方案：去偏见化学习和评估

    该研究提供了一种使用因果推论来处理选择偏差的方法，可实现对推荐系统的评估和训练，并获得实际数据上显着改善的预测效果。

    Feb, 2016

  • 在去偏推荐中利用少量无偏评级平衡未观察到的混杂因素

    本文提出了一种理论上保证的模型无关均衡方法，该方法可以针对现有的去偏差方法进行应用，以抵抗未观测到的混淆和模型错误，并通过交替校正学习偏差数据的模型参数，以自适应学习平衡系数，充分利用无偏数据。在实际应用中，该方法证明了其有效性。

    Apr, 2023

  • 预训练推荐系统：因果去偏见观点

    通过训练泛域用户 - 物品交互数据，我们提出了一个适应性泛型推荐系统，该系统能够捕捉通用交互模式，并能在不同领域中快速适应以提高零样本和少样本学习性能。然而，不同领域的推荐数据存在域内和跨域偏差，我们通过引入因果去偏视角和预测模型 PreRec 有效克服了这一挑战，实证结果表明在跨市场和跨平台场景下，该模型能显著提升推荐性能。

    Oct, 2023

  • 用于去偏差缺失非随机显式反馈的不对称三训练

    提出了一种元学习方法，受非对称三训练框架的启发，利用两个预测器生成可靠的伪评分数据和另一个预测器进行最终预测，以解决推荐系统中观察到的评分数据选择偏差问题，实现从有偏显式反馈中开发出有效的推荐。

    Sep, 2019

  • 推荐系统中的偏差和去偏差研究：调查与未来方向

    本文系统概要总结研究论文中七种推荐偏差类型及其特点、定义，提供分类学和组织现有关于推荐去偏差的工作，并确定一些开放式挑战和未来方向。

    Oct, 2020

  • 消除自然语言理解模型中的未知偏见

    本文提出了一种自我去偏方法，以减少 NLU 模型在不事先知道偏差情况下利用偏差的趋势，并表明此方法不仅具有一般性和互补性，而且还能提高模型的整体鲁棒性。

    Sep, 2020

  • 使用有偏表示学习没有偏见的表示

    本文介绍了一种用于训练去偏置表示的新框架，通过鼓励其与一组从设计上存在偏差的表示不同来实现。该方法可在许多场景中使用，可以提高模型在不同类别中的泛化能力。

    Oct, 2019

  • 消除偏见的偏见决策模型比较：基于抵押贷款申请数据的方法对比

    通过对房屋贷款申请决策的真实数据添加反事实（模拟）种族偏见，本文展示了即使没有将族裔作为预测变量，机器学习模型（XGBoost）仍然会重复这种偏见。接下来比较了几种去偏方法：禁止变量的平均值、在禁止变量中选择最优预测（一种新方法）以及同时最小化误差和预测与禁止变量之间的关联。去偏可以恢复部分原始决策，但结果对于偏见是否通过代理方式产生是敏感的。

    May, 2024

  • 无监督学习伪属性去偏表示

    该论文提出了一种简单且有效的无监督去偏差技术，该方法利用聚类算法在特征嵌入空间识别伪属性，然后采用一种新颖的聚类加权重新调整方案来学习去偏置表示，以防止少数群体被忽视并达到最坏情况下的概括，实验证明其在多个标准基准测试数据集上具有出色的表现，甚至达到了有监督对照组的竞争精度。

    Aug, 2021

  • 推荐系统中的偏差差异

    本研究在合成数据上进行了初步的实验研究，在不同条件下研究推荐系统如何表现出偏见失衡现象以及推荐的长期效果。我们考虑了一种简单的重新排名算法来减少偏见失衡，并对实际数据的数据失衡进行了一些观察。

    Nov, 2018