Sep, 2022

重新思考缺失数据：基于本质不确定性感知的推荐

PDF
TL;DR本文提出了一种新的建议模型框架，称为 Aleatoric Uncertainty-aware Recommendation (AUR)，该框架可以改善建议模型中长尾项目的推荐性能，该框架对遗漏数据进行了建模处理并通过不确定性估计器进行建议。
发现论文，激发创造
  • 非偏向性推荐系统学习来自缺失非随机暗示反馈的信息

    针对推荐系统中存在的正 - 未标记问题，本研究提出一种理想损失函数和无偏估计器，并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明，该方法在最大化推荐物品相关性方面具有更好的性能，特别是对于在训练数据中很少出现的物品。

    Sep, 2019

  • 协同过滤和缺失的随机假设

    本文介绍了一个用户研究的结果，即随机选取评分在更精确地评估评价预测时比用户选择评分更符合随机假设，且将缺失数据机制作为一个显式模型可以提高评分预测性能。

    Jun, 2012

  • 跨模态检索的基于样本的条件不确定性量化

    本文提出了一种新颖的基于原型的随机不确定性量化（PAU）框架，通过对内在数据模糊性的不确定性进行量化，构建了可信赖的预测，为跨模态检索提供准确的不确定性和可靠的预测。

    Sep, 2023

  • AURA: 有理据中的自然语言推理与偶然性不确定性

    处理引起不确定性的不完美理由，根据理由的歧义性，我们指导模型选择两种不同的推理模型，从而提供稳健的性能优势。

    Feb, 2024

  • 关于贝叶斯分类中的不确定性、调和和数据增强

    本研究表明，显式地考虑 aleatoric uncertainty 可显著改善贝叶斯神经网络的性能，其中使用 Dirichlet observation model 可以匹配或超过 posterior tempering 的性能，无需 tempering。

    Mar, 2022

  • 表征代理校准及消除标注员和数据偏差的不确定性来源

    本文提出了一种简单的 Monte Carlo Dropout 算法，可以显式地量化神经网络输出的不确定性，利用此种不确定性可以解释模型复杂现象、如情感识别，此外也可以用于辨别主观标记样本和数据偏差的问题。

    Sep, 2019

  • 基于自编码器的混合推荐系统

    本文介绍了一种用于推荐系统的基于自编码器的架构，通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明，侧面信息对冷启动用户 / 物品的影响更显著。

    Jun, 2016

  • 不确定性中寻求合适的平衡

    利用贝叶斯不确定性估计解决类别不平衡学习的问题，并且成功改进了面部验证、属性预测、数字 / 物体识别、皮肤病检测等六个基准数据集上的分类性能。

    Jan, 2019

  • 使用增强类学习的广义无偏风险估计器

    本文提出了一种通用的无偏风险估计器，可配备任意损失函数，同时保持理论保证，以解决采用增强类进行学习时常见的负样本问题。通过实验验证了该方法的有效性。

    Jun, 2023

  • 利用不确定性实现公平性

    本研究提出一种旨在平衡公平性和实用性的机器学习分类任务的独特解决方案，它利用贝叶斯学习估计样本预测的不确定性，并通过不确定性量化来定义新型的公平性 - 效用目标，从而实现同时优化公平性和实用性。实证研究发现，具有低分类不确定性的样本比高不确定性的样本更准确、更公平。实验结果表明，该方法在公平性和实用性平衡方面表现优异，并有望在机器学习中实现最佳公平性和实用性。

    Apr, 2023