Implicitフィードバックにおけるポジティブ・ラベルなし学習：欠損がランダムではないという観点から

科学分野:

• 機械学習
• レコメンダーシステム
• データサイエンス

背景:

• 明示的なネガティブラベルの欠如は、コンピュータビジョン（CV）、自然言語処理（NLP）、およびレコメンダーシステム（RS）において一般的な問題です。
• CV、NLP、およびRSにおける既存のネガティブサンプル補完方法は、ランダムではない欠損（MNAR）データ性質と測定されていない交絡因子にしばしば苦戦し、モデルの頑健性に影響を与えます。
• これらの制限により、暗黙的フィードバックシナリオでの正確な予測には高度な技術が必要とされます。

研究 の 目的:

• 暗黙的フィードバックを伴うレコメンダーシステム（RS）における欠損したネガティブラベルの課題に対処すること。
• 測定されていない交絡因子に対するRSモデルの頑健性を向上させる新しいフレームワークを提案すること。
• 既存の手法の理論的解析を提供し、より信頼性の高いアプローチを導入すること。

主な方法:

• 暗黙的フィードバックを伴うRS予測タスクをポジティブ・ラベルなし（PU）学習問題として定式化すること。
• 露出ステータス補完と二重に頑健な推定量を含む2段階の偏り除去フレームワークを開発すること。
• 傾向スコアベースのアプローチの制限に対処し、測定されていない交絡因子の影響を軽減するために、頑健な交絡因子除去法を組み込むこと。

主要な成果:

• 理論的解析は、測定されていない交絡因子が存在する場合、既存の傾向スコアベースの手法におけるバイアスを実証します。
• 提案された二重に頑健な推定量は、頑健な交絡因子除去と組み合わされることで、測定されていない交絡因子の影響を効果的に軽減します。
• 3つの実世界のデータセットでの広範な実験により、提案された手法の有効性が検証されました。

結論:

• 提案されたPU学習の定式化と偏り除去フレームワークは、暗黙的フィードバックを伴うレコメンダーシステムに対して頑健なソリューションを提供します。
• 新しいアプローチは、欠損したネガティブラベルと測定されていない交絡因子を効果的に処理し、モデルの信頼性を向上させます。
• この研究は、データバイアスを処理するためのより原理的で効果的な方法を提供することにより、レコメンダーシステムの最先端技術を進歩させます。