4
个编辑
更改
跳到导航
跳到搜索
第234行：
第234行： − + − # He, Y., et al., CausPref: Causal Preference Learning for Out-of-Distribution Recommendation. arXiv.org, 2022.+ − # Zimu Wang, Y.H.J.L., Invariant Preference Learning for General Debiasing in Recommendation. ACM SIGKDD 2022, 2022.+ − # Zheyan Shen, J.L.Y.H., Towards Out-Of-Distribution Generalization：A Survey. Arxiv, 2021.+ + + + + +
→编辑推荐： 增加文章相关介绍
=== 以下三篇论文与该主题相关的文章： ===
=== 以下三篇论文与该主题相关的文章： ===
[[文件:NICO数据集.png|替代=NICO数据集|缩略图|600x600像素|[https://nicochallenge.com/ NICO数据集]]]
[[文件:NICO数据集.png|替代=NICO数据集|缩略图|600x600像素|[https://nicochallenge.com/ NICO数据集]]]1、Zimu Wang, Y.H.J.L., Invariant Preference Learning for General Debiasing in Recommendation. ACM SIGKDD 2022, 2022.（即将发表）
2、He, Y., et al., CausPref: Causal Preference Learning for Out-of-Distribution Recommendation. arXiv.org, 2022.
为了提高推荐方法在不同环境中的性能稳定性，本文总结出一种指导推荐系统设计对抗分布偏移的范式。提出了一种新的基于因果偏好的推荐框架，称为 CausPref，它从观察数据中可用的正反馈中联合学习具有因果结构的不变用户偏好，并通过访问反偏好负采样来估计预测分数以捕捉未观察到的信号。大量实验结果表明，该方法在分布外设置类型下显示出令人印象深刻的可解释性。
3、Zheyan Shen, J.L.Y.H., Towards Out-Of-Distribution Generalization：A Survey. Arxiv, 2021.
在本文中，我们系统全面地回顾了OOD泛化问题的定义、方法的主要分支、不同方法之间的理论联系以及数据集和评估指标，为OOD泛化问题提出了一些未来的方向。我们希望这篇论文能够对未来研究有所启发。
* 集智俱乐部在因果科学与Causal AI读书会第二季邀请崔鹏老师系统性的分享和介绍了Stable Learning 的相关工作： [https://campus.swarma.org/course/2699 因果启发的稳定学习理论、方法和应用]，重点介绍了StableNet相关的工作。同时还可以关注崔鹏老师团队两位学生沈哲言和刘家硕介绍的Causal Inference and Stable Learning 以及Causality and Its Connection to Robust Machine Learning 的相关工作： [https://campus.swarma.org/course/2071 因果推理与稳定学习]
* 集智俱乐部在因果科学与Causal AI读书会第二季邀请崔鹏老师系统性的分享和介绍了Stable Learning 的相关工作： [https://campus.swarma.org/course/2699 因果启发的稳定学习理论、方法和应用]，重点介绍了StableNet相关的工作。同时还可以关注崔鹏老师团队两位学生沈哲言和刘家硕介绍的Causal Inference and Stable Learning 以及Causality and Its Connection to Robust Machine Learning 的相关工作： [https://campus.swarma.org/course/2071 因果推理与稳定学习]