CausPref：用因果偏好模型进行非分布式推荐学习

WWWFeb, 2022

CausPref：用因果偏好模型进行非分布式推荐学习

CausPref: Causal Preference Learning for Out-of-Distribution Recommendation

Yue He, Zimu Wang, Peng Cui, Hao Zou, Yafeng Zhang...

TL;DR本文提出了一种基于因果偏好的推荐框架 CausPref，该框架利用推荐特定 DAG 学习器进行因果学习，在处理隐式反馈过程中运用反偏好负采样技术，并在类型不同的超出分布情境下显著超越了基准模型。

Abstract

In spite of the tremendous development of recommender system owing to the progressive capability of machine learning recently, the current recommender system is still vulnerable to the distribution shift of users

recommender system machine learning implicit feedback causal preference-based recommendation out-of-distribution

发现论文，激发创造

基于不变因果学习算法在观测数据上应用的一步

该研究提出了一种方法，使用多个训练环境来生成不同干预的多个环境，并评估了基于模拟数据的不受监督的学习问题的 ICP 性能，最后与 ICP 相结合提出了改进的方法，提高了在具有多个协变量的数据集中进行因果发现的性能。

Apr, 2023

通过因果干预实现图形的超出分布泛化

通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差，提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络，以抵消训练数据中的混淆偏差，并促进学习可泛化的预测关系。实验证明，该模型可以有效提高各类分布迁移情况下的泛化性能，在图的分布迁移基准测试中相比最先进方法最多提高 27.4% 的准确率。

Feb, 2024

学习因果语义表征进行未知分布预测

通过提出基于因果推理的因果语义生成模型（CSG），并利用因果不变性原则，我们开发了一种用于从单个培训域进行 OOD 预测的方法，该方法将语义因素和变化因素分别建模，从而解决了传统的监督学习方法对 OOD 例子的敏感性问题，并且在实证研究中表现出比现有方法更好的 OOD 性能。

Nov, 2020

推荐的因果嵌入

本文介绍了一个基于领域适应算法的建议优化策略，通过预测完全随机的建议策略下的建议效果来实现学习，比目前最先进的因子分解方法、因果推断等方法有着明显的提升。

Jun, 2017

推荐因果效应的无偏学习

本论文提出了一种基于逆倾向评分技术的无偏学习框架，以解决推荐系统中的因果效应问题。通过构建无偏估计器和进行经验风险最小化，该框架可以有效地提高有限训练样本下的方差，从而开发出一种基于无偏学习方法的因果效应扩展排序度量方法。该方法在各种设置下的性能均优于其他有偏学习方法。

Aug, 2020

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

非线性不变风险最小化：一种因果方法

提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。

Feb, 2021

超越泛化：关于图上的外域适应性问题调查

在这篇综述文章中，我们详细回顾了图形 OOD（Out-Of-Distribution）适应方法，并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。

Feb, 2024

推荐系统因果学习的机会：基础、估计、预测和挑战

本文提供了一个正式的因果分析框架，主要用于调查和统一现有的基于因果思想的推荐方法，并从违反因果分析中采用的假设的角度，提供了推荐系统中各种偏差的正式因果定义以及在 RS 中的很多去偏见和预测任务的正式化分析，希望为因果 RS 社区提供新的研究机会。

Jan, 2022

RetroOOD：理解反合成预测中的外域通用化

机器学习辅助的逆合成预测模型在标准基准测试上取得稳步进展，但在现实世界中应用于非分布（OOD）分子或反应时，其性能往往显著下降。本研究通过建立两组基准数据集，系统比较了先进的逆合成预测模型在分布转移下的性能，并提出了两种模型无关技术，经初步实验显示其有高潜力并平均性能提高 4.6％，从而为进一步面向 OOD 泛化的逆合成预测研究提供了基础。

Dec, 2023