公平性および説明性を考慮した機械学習 in KDD2019 - Gunosyデータ分析ブログ
研究開発チームインターンの北田 (shunk031) です。アメリカのアラスカにて行われたKDD2019に参加・発表してきました。 www.kdd.org KDD2019 のチュートリアルやワークショップ、キーノートの中でFairness (公平性) および Explainability (説明性) にフォーカスした以下のものを聴講したので概要をまとめたいと思います。 チュートリアル Fairness-Aware Machine Learning: Practical Challenges and Lessons Learned Explainable AI in Industry ワークショップ Explainable AI/ML (XAI) for Accountability, Fairness, and Transparency キーノート Do Simpler Models Ex
Collaborative Deep Learning for Recommender Systems (KDD 2015) 読んだ - 糞糞糞ネット弁慶
[1409.2944] Collaborative Deep Learning for Recommender Systems 同タイトルの論文 ( TeX のフォーマットは NIPS で用いられているもの) が arXiv にアップロードされていたので読んだ． Collaborative Topic Regression (CTR) と Stacked Denoising AutoEncoder (SDAE) を組み合わせて推薦を行う． Collaborative Topic Regression (CTR) Collaborative Topic Modeling for Recommending Scientific Articles (KDD 2011) この論文，CTR さえ分かってしまえばあとはどうにかなる． まず入力として，I 人のユーザと J 個アイテムの 0/1 レーティ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Fair Ranking as Fair Division: Impact-Based Individual Fairness in Ranking (KDD2022)
