Aug, 2023

利用变分自动编码器为以前不曾见过的用户提供公平的推荐

PDF
TL;DR提出了通过限制种群信息的编码来缓解变分自编码器为基础的推荐系统中的歧视问题的新方法，并对这些方法进行了评估，可以为未在训练数据中表示的用户提供公平的推荐。
发现论文，激发创造
  • 分层 VampPrior 变分公平自编码器

    本文考虑使用深层生成建模和层次化变分自动编码器，学习公正的表示并利用互信息作为有用的正则化因子来强制表示的公正性，实验证明该方法优于或与当前最佳模型持平。

    Jun, 2018

  • 使用变分自编码器和异质先验进行物品推荐

    本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法，实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。

    Jul, 2018

  • 使用对抗训练来消除推荐系统中保护用户属性的影响

    本研究通过在当前最先进的 MultVAE 结构中引入对抗训练，提出了一种新型保护用户隐私的推荐系统算法 Adv-MultVAE，该算法利用多项式似然函数去除隐私属性的影响，同时保持了推荐精度，并通过实验证明了 Adv-MultVAE 对多个数据集的强健性。

    Jun, 2022

  • 通过对用户表示进行对抗性训练，实现推荐系统中的隐私和公正

    本文提出了隐私敌对框架以消除推荐系统中计算的用户向量可能泄漏的私人信息，并研究了隐私和推荐性能之间的权衡，同时保证了结果的公平性。

    Jul, 2018

  • 推荐系统中的用户公平性

    本文提出并探讨了用户公平性的概念，研究了两个多样化算法，发现仅追求多样性的推荐会导致用户间的不公平现象。

    Jul, 2018

  • 一种用于协同过滤的混合变分自编码器

    本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。

    Jul, 2018

  • 推荐中的个性化对抗公平性

    本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

    May, 2021

  • 组条件缺失人口的公平风险

    通过概率插值敏感特征并联合学习组条件缺失概率的变分自编码器，我们提出了公平感知分类模型，以解决隐私、法律问题和个体恐惧所导致的敏感特征全知要求的实际不可行性问题，我们的模型在图像和表格数据集上表现出较好的准确性和公平性平衡。

    Feb, 2024

  • 变分公平自编码器

    研究如何学习能保留数据中大部分信息且对于某些噪声或敏感变化因素具有不变性的表示形式，提出了一种基于变分自编码器的模型，包括鼓励灵敏因素和潜在因素独立的优先知识和基于 “最大均值差异”（MMD）的附加惩罚项，实验证明该方法比以前的工作更有效。

    Nov, 2015

  • 对抗式叠加自编码器用于公平表示学习

    本研究提出了一种基于不同层级的数据表征的公平表征学习方法，通过堆叠不同的自编码器在不同的潜在空间强制执行公平性，更好地满足公平度量标准并提高数据表征的公平性。

    Jul, 2021