Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
분포 외(OOD) 상황에서 발생하는 선호도 변화에 대응하기 위해 잠재 환경을 모델링하는 CILER 방법론을 제안합니다. 사용자 조건부 지수 가족과 특징 인덱스 다항식을 활용하여 환경 민감적 표현을 식별하고 예측 성능을 높입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기분포 외 (Out-of-distribution, OOD) 추천은 잠재 환경 (latent environment)에 의해 유도되는 선호도 변화 (preference shifts)에 취약합니다. 기존 방법들은 기록된 상호작용으로부터 잠재 상태 (latent states)를 추론할 수 있지만, 잠재 환경의 통계적 의미와 그것이 선호도에 미치는 영향은 여전히 미결정 상태로 남아 있습니다. 우리는 이 과업을 조건부 식별 가능한 리스크 인식 추천 (conditionally identifiable risk-aware recommendation, CI-RR)으로 정식화하고, 조건부 식별 가능한 잠재 환경 추천 (Conditionally Identifiable Latent-Environment Recommendation, CILER)을 제안합니다. CILER은 잠재 환경을 모델링하기 위해 사용자 조건부 지수 가족 (user-conditioned exponential family)을 사용하며, 그것이 선호도를 어떻게 변화시키는지 지정하기 위해 특징 인덱스 다항식 (feature-indexed polynomial)을 사용합니다. CILER은 추론된 환경 분포에 대해 아이템 확률을 주변화 (marginalizing)함으로써 예측을 수행합니다. 충분한 변동성 (variation), 올바른 명세 (specification), 그리고 디코더 정규성 (decoder regularity) 하에서, CILER은 명시된 동등 클래스 (equivalence class)까지 환경 민감적 표현 (environment-sensitive representation)을 식별합니다. 나아가 우리는 환경 추론 오차 (environment-inference error)에 의해 배포 로그 리스크 (deployment log-risk)의 초과분을 제한합니다. 통제된 연구를 통해 충분한 변동성과 모델 명세의 관찰 가능한 결과들을 테스트합니다. 세 가지 데이터셋에 대한 실험 결과, CILER은 공유된 지지 집합 (shared support) 내에서의 특징 (feature), 시간 (temporal), 지리적 (geographical) 변화 상황에서 12가지 OOD 순위 지표 모두를 개선함을 보여줍니다.