Debiased Collaborative Filtering with Kernel-Based Causal Balancing

要約

偏りのない協調フィルタリングは、観測データセット内のさまざまなバイアスを除去することで、不偏の予測モデルを学習することを目的としています。
この問題を解決するための簡単で効果的な方法の 1 つは傾向スコアに基づくもので、これは観測されたインスタンスの重み付けを変更することで観測サンプルの分布を目標分布に調整します。
理想的には、傾向スコアは因果関係のバランシング制約を使用して学習される必要があります。
ただし、既存の手法は通常、そのような制約を無視するか、不合理な近似を使用して制約を実装するため、学習された傾向スコアの精度に影響を与える可能性があります。
このギャップを埋めるために、この論文ではまず、因果的バランス要件と、クロスエントロピー損失による傾向の学習やバランスをとる関数の手動選択などの既存の手法との間のギャップを分析します。
これらのギャップに触発されて、我々は、カーネル ヒルベルト空間を再現する際にバランシング関数を近似することを提案し、カーネル関数の普遍的性質と表現者定理に基づいて、因果的バランシング制約をより適切に満たせることを実証します。
一方、カーネル関数のバランスを適応的に調整するアルゴリズムを提案し、私たちの方法の汎化誤差限界を理論的に分析します。
私たちは、手法の有効性を実証するために広範な実験を実施し、この研究方向性を推進するために、https://github.com/haoxuanli-pku/ICLR24-Kernel-Balancing でプロジェクトをリリースしました。

要約(オリジナル)

Debiased collaborative filtering aims to learn an unbiased prediction model by removing different biases in observational datasets. To solve this problem, one of the simple and effective methods is based on the propensity score, which adjusts the observational sample distribution to the target one by reweighting observed instances. Ideally, propensity scores should be learned with causal balancing constraints. However, existing methods usually ignore such constraints or implement them with unreasonable approximations, which may affect the accuracy of the learned propensity scores. To bridge this gap, in this paper, we first analyze the gaps between the causal balancing requirements and existing methods such as learning the propensity with cross-entropy loss or manually selecting functions to balance. Inspired by these gaps, we propose to approximate the balancing functions in reproducing kernel Hilbert space and demonstrate that, based on the universal property and representer theorem of kernel functions, the causal balancing constraints can be better satisfied. Meanwhile, we propose an algorithm that adaptively balances the kernel function and theoretically analyze the generalization error bound of our methods. We conduct extensive experiments to demonstrate the effectiveness of our methods, and to promote this research direction, we have released our project at https://github.com/haoxuanli-pku/ICLR24-Kernel-Balancing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google