Dec, 2023

关于会话推荐中遗忘机制的有效性研究

PDF
TL;DR我们提出了 SRU，这是一个基于会话的推荐系统的遗忘框架，它能够实现高效的遗忘、准确的推荐性能和改善基于会话的推荐中的遗忘效果。我们通过将训练会话分成不同的子模型，并利用基于注意力的聚合层来融合隐藏状态，提出了三种额外数据删除策略，并提出了一个评估指标来验证删除数据后是否可以推断出遗忘样本。我们在三个基准数据集上实现了 SRU，并进行了实验，实验结果证明了我们方法的有效性。
session-based recommendationunlearningcollaborative correlationsdata deletion strategiesevaluation metric
发现论文，激发创造
  • 推荐算法遗忘

    本论文提出了 RecEraser，一种针对推荐任务的通用，高效的机器遗忘框架，该框架将培训集分为多个分片，并为每个分片训练一个组成模型。通过三种新颖的数据分区算法将培训数据分成基于它们相似性的平衡组，然后提出一种自适应聚合方法来提高全局模型效用，实验结果表明，RecEraser 不仅可以实现高效的遗忘，而且在模型效用方面也优于最先进的遗忘方法。

    Jan, 2022

  • 多模态推荐去学习

    本文介绍了 MMRecUN，一种用于多模式推荐系统的新框架，通过使用反向和正向 BPR 损失机制来选择性地减弱忘记集合内的相互作用的影响，同时加强保留集合内的相互作用的重要性，从而实现更好的推荐回召率性能，并且相较于基准方法，MMRecUN 在移除目标元素、保留元素性能维持以及开销方面具有更优越的性能。

    May, 2024

  • 面向高效和有效的推荐算法大型语言模型去学习

    E2URec 是首个高效和有效的语言模型推荐系统遗忘方法，通过更新参数和采用师生网络架构实现推荐数据的忘记，以优化隐私保护和模型性能。

    Mar, 2024

  • 如何应对忘却困难问题

    机器遗忘是从训练模型中删除某个子集（即 “遗忘集”）的效果，而不损害模型的效用，例如遵守用户要求删除他们的数据，或删除错误标记、被污染或其他有问题的数据。本文通过调查两个影响遗忘难度和算法性能的关键因素，发现基于这些因素的遗忘集评估揭示了先进算法的新行为，从而改善了顶级的遗忘算法。

    Jun, 2024

  • 从用户 - 会话 - 项目的分层结构中学习相似度，用于个性化会话推荐

    本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型，该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推荐的准确性。

    Jun, 2023

  • 机器遗忘

    该研究提出了一种名为 SISA 训练的框架，可在不同数据集、算法和难度的情况下，通过限制特定数据点在模型训练中的影响，加速机器学习模型的「忘记」过程，有助于实现更有效的数据治理。

    Dec, 2019

  • 主动遗忘的联邦取消学习

    基于增量学习、主动遗忘和弹性权重约束的新型联邦遗忘框架，有效解决联邦学习中的遗忘问题。

    Jul, 2023

  • 通过机器遗忘来避免版权侵权

    在这篇论文中，我们提出了一种稳定的序列遗忘（SSU）框架，该框架使用任务向量，通过引入额外的随机标签损失和应用基于梯度的权重显著性映射，以更稳定的方式在不同的时间步骤中从 LLMs 中删除受版权保护的内容，实验证明 SSU 在遗忘效果和保持模型的一般知识之间取得了良好的平衡。

    Jun, 2024

  • 编码的机器遗忘

    本文提出了一种编码学习协议，其利用线性编码器将训练数据编码成碎片，以便进行学习和 “完美取消学习”（unlearning），实验结果表明，相比未编码的基线，该编码机器学习方法提供了更好的性能与取消学习成本的平衡。

    Dec, 2020

  • 机器遗忘：一项全面调查

    该研究综述了现有的机器去学习方法，系统地分类并讨论了其差异、联系和开放问题，包括集中式去学习、分布式和不规则数据去学习、去学习验证以及隐私和安全问题，并提出了潜在的研究方向。

    May, 2024