مقابله با سوگیری جریان اصلی از طریق یادگیری محلی تطبیقی ​​انتها به انتها: آزمایش ها و راه اندازی بی طرفانه

جدول پیوندها

چکیده و 1 مقدمه

2 مقدماتی

3 یادگیری محلی تطبیقی ​​سرتاسر

3.1 ترکیبی از متخصصان ضرر محور

3.2 یادگیری همزمان از طریق وزن تطبیقی

4 آزمایش Debiasing و 4.1 راه اندازی آزمایشی

4.2 عملکرد منحرف کننده

4.3 مطالعه فرسایش

4.4 اثر ماژول وزن تطبیقی ​​و 4.5 مطالعه فراپارامتر

5 کارهای مرتبط

6 نتیجه گیری، قدردانی ها و مراجع

4 آزمایش بی طرفی

در این بخش، مجموعه‌ای جامع از آزمایش‌ها را برای برجسته کردن عملکرد انحرافی قوی روش پیشنهادی، اعتبارسنجی اثربخشی اجزای مختلف مدل، ارزیابی تأثیر ماژول وزن تطبیقی ​​پیشنهادی، و بررسی تأثیر فراپارامترها ارائه می‌کنیم.

4.1 راه اندازی آزمایشی

با در نظر گرفتن اصل انصاف Max-Min Rawlsian [29]، هدف انحراف‌گرایی، ارتقای میانگین NDCG@20 برای زیرگروه‌هایی با نمرات جریان اصلی پایین و در عین حال حفظ یا حتی بهبود ابزار برای زیرگروه‌هایی با امتیازات جریان اصلی بالا است. از این رو، ما همچنین افزایش در NDCG@20 کلی مدل را پیش بینی می کنیم.

خطوط پایه. در آزمایش‌ها، ما TALL پیشنهادی را با MultVAE و چهار روش انحرافی پیشرفته مقایسه می‌کنیم: (1) MultVAE [26] مدل پیشنهادی وانیلی که به طور گسترده مورد استفاده قرار می گیرد، بدون تحقیر است. (2) WL [39] یک …