MMDec, 2021

推荐系统的合成数据与模拟器：现状与未来方向

PDF
TL;DR本文讨论了合成数据和模拟器在改善推荐系统性能方面的潜力和已有成果，并探讨了在此过程中数据保真度和隐私之间的重要平衡。通过对真实数据和合成数据进行算法排名的重要用例，探讨了当前成功与限制，并概述了推荐系统的未来方向。这些方向包括混合真实数据和合成数据、反馈在数据集生成中的应用、健壮的模拟以及隐私保护方法。
synthetic datasimulatorsrecommendation systemsdata fidelityprivacy
发现论文，激发创造
  • 推荐系统的部分合成数据：预测性能和偏好隐藏

    本研究采用统计披露控制方法生成合成数据，防止数据泄露，并在推荐系统算法实验中测试并展示其相对性能与原始数据的变化以及其隐藏了原始数据中某些可访问属性的现象。

    Aug, 2020

  • 医疗保健中的合成数据

    本文旨在介绍模拟器生成数据在医疗保健领域的应用与潜在优势，同时指出了其存在的潜在风险和问题。

    Apr, 2023

  • 语言模型生成的合成数据的最佳实践和经验教训

    人工智能模型的成功依赖于大规模、多样化、高质量的数据集的可用性，而由于数据稀缺、隐私问题和高成本，获取这些数据集可能具有挑战性。合成数据作为一种有前景的解决方案出现，通过生成模仿真实世界模式的人工数据。本文提供了合成数据研究的概述，并讨论了其应用、挑战和未来方向。我们通过先前研究中的实证证据来展示其有效性，并强调确保其真实性、保真性和无偏性的重要性。我们强调了在使用合成数据构建更强大、包容性和可信赖的语言模型时的责任使用的需求。

    Apr, 2024

  • 超越隐私：合成数据的机遇与挑战

    本文探讨生成模型产生的合成数据可能成为机器学习领域的主导力量，可以创造更公平的数据、进行数据增强和模拟，尤其是在 ChatGPT 生成的文本方面。然而，在使用合成数据时，社区需要克服许多基本的挑战，其中最重要的是量化我们能够信任的查找或预测的程度。

    Apr, 2023

  • RetailSynth: 面向零售 AI 系统评估的综合数据生成

    本文提出了一个多阶段模型来模拟顾客购物行为，将其嵌入一个模拟环境 RetailSynth 中，用于验证多类别零售的因果需求模型并将真实价格敏感性纳入个性化定价、促销和产品推荐的新兴基准套件。

    Dec, 2023

  • 测量用于竞赛的合成数据的质量

    通过研究算法相对性能，本文讨论如何生成保护数据隐私的合成数据，以解决共享数据所带来的隐私问题。

    Jun, 2018

  • AutoSimulate:（快速）学习合成数据生成

    通过一种新的可微分逼近目标的方法，提出了一种有效的用于生成最优合成数据的替代方法，该方法可通过优化非可微模拟器，在每个迭代中仅需一个目标评估带有小的开销，在真实测试数据集上可以以较少的训练数据生成更快的理想数据分布（高达 50 倍）并具有更高的准确率（+ 8.7％），比以前的方法更好地解决了模拟机器学习算法中大型标记数据集的生成问题。

    Aug, 2020

  • 使用合成数据训练 AI 模型：可持续发展的机遇与风险

    研究了合成数据的政策，包括创建、利用和传播。必须在保护隐私和数据的可用性之间找到平衡，并制定标准化准则来应对合成数据的挑战。

    Aug, 2023

  • 通过用户模拟评估对话式推荐系统

    本文提出一种通过用户模拟来替代人类评估的方法，以实现对话推荐系统的自动评估。作者表明，通过考虑用户的个人喜好和与系统的一般交互流程，偏好建模和特定任务交互模型都有助于实现高度自动化的绩效评估结果和人工人工评估的高度相关性。

    Jun, 2020

  • 真假：通过分布匹配进行有效的训练数据合成

    我们通过广泛的实验验证了我们的合成数据在各种图像分类任务中的有效性，既可以替代真实数据集，也可以作为其增强，同时也有益于挑战性任务，如超出分布的泛化和隐私保护。

    Oct, 2023