プレスリリース
AI Lab、深層学習分野のトップカンファレンス「ICLR 2024」にて主著論文採択
ーレコメンデーションの品質を優先する「安全な」フィルタリング手法を提案ー
株式会社サイバーエージェント(本社:東京都渋谷区、代表取締役:藤田晋、東証プライム市場:証券コード4751)は、人工知能技術の研究開発組織「AI Lab」に所属する研究員の富樫陸、大坂直人、森村哲郎および慶應義塾大学の岡達志教授らによる主著論文「Safe Collaborative Filtering」が機械学習分野の国際会議「ICLR 2024」※1にて採択されたことをお知らせいたします。
「ICLR」は世界中の研究者によって毎年開催される国際会議で、「ICML」※2「NeurIPS」※3と並び、機械学習や深層学習の分野で権威あるトップカンファレンスの一つです。
このたび採択された論文は、2024年5月にオーストリア・ウィーンで開催される「ICLR 2024」での発表を予定しています。
「ICLR」は世界中の研究者によって毎年開催される国際会議で、「ICML」※2「NeurIPS」※3と並び、機械学習や深層学習の分野で権威あるトップカンファレンスの一つです。
このたび採択された論文は、2024年5月にオーストリア・ウィーンで開催される「ICLR 2024」での発表を予定しています。
■背景
「AI Lab」では推薦システム全般に関わる幅広いAI技術を研究・開発しており、大学・学術機関との産学連携を強化しながら様々な技術課題に取り組んでいます。
なかでも、機械学習領域における研究チームでは、高度な理論研究や社内外のデータを用いた応用研究を行うとともに、アカデミアおよび行政との連携による社会実装や学術貢献にも注力をしています。
推薦システムは、当社の連結子会社である株式会社AbemaTVが運営する新しい未来のテレビ「ABEMA」※4をはじめとしたtoCサービスにおいて必要不可欠な技術であり、既にこれらの実サービスにおいて幅広い運用実績があります。
なかでも、機械学習領域における研究チームでは、高度な理論研究や社内外のデータを用いた応用研究を行うとともに、アカデミアおよび行政との連携による社会実装や学術貢献にも注力をしています。
推薦システムは、当社の連結子会社である株式会社AbemaTVが運営する新しい未来のテレビ「ABEMA」※4をはじめとしたtoCサービスにおいて必要不可欠な技術であり、既にこれらの実サービスにおいて幅広い運用実績があります。
■論文の概要
本研究では、toCサービスにおける長期的なユーザー満足度と利益を最大化するための新たな推薦手法を提案しました。
toCサービスにおける推薦システムは、一般に各ユーザーの満足度の最大化を目指します。従来の推薦システムにおいて、この目的はユーザー満足度に関する何らかの指標をユーザー毎に計測し、その平均を最大化することで達成されます。
一方で、指標の平均は外れ値に対して敏感であり、それらの最大化を行っても各ユーザー毎の満足度には大きな差が出てしまう場合があります。一定の満足度を得られなかったユーザーはサービスから離脱する可能性があり、ひいては長期的なサービス規模・利益の縮小に繋がりかねません。
そこで本論文では、ユーザー満足度の毀損リスクを考慮した推薦手法を新たに提案しました。Conditional Value-at-Risk (以下CVaR)と呼ばれるリスク指標の最適化を検討し、その計算効率が現実的な規模のサービスにおける応用において課題になることを発見しています。このように実応用に耐えうるスケーラビリティを達成するため、CVaRに対する畳み込み型平滑化※5と行列分解※6を組み合わせた新しい手法であるSAFER2を提案しています。(論文リンク:https://arxiv.org/abs/2306.05292)
toCサービスにおける推薦システムは、一般に各ユーザーの満足度の最大化を目指します。従来の推薦システムにおいて、この目的はユーザー満足度に関する何らかの指標をユーザー毎に計測し、その平均を最大化することで達成されます。
一方で、指標の平均は外れ値に対して敏感であり、それらの最大化を行っても各ユーザー毎の満足度には大きな差が出てしまう場合があります。一定の満足度を得られなかったユーザーはサービスから離脱する可能性があり、ひいては長期的なサービス規模・利益の縮小に繋がりかねません。
そこで本論文では、ユーザー満足度の毀損リスクを考慮した推薦手法を新たに提案しました。Conditional Value-at-Risk (以下CVaR)と呼ばれるリスク指標の最適化を検討し、その計算効率が現実的な規模のサービスにおける応用において課題になることを発見しています。このように実応用に耐えうるスケーラビリティを達成するため、CVaRに対する畳み込み型平滑化※5と行列分解※6を組み合わせた新しい手法であるSAFER2を提案しています。(論文リンク:https://arxiv.org/abs/2306.05292)
■今後
本研究の提案法は、特にサブスクリプション型サービスにおける推薦機能において各ユーザーへ料金に見合った品質を担保することなどへの貢献が期待されます。
当社のグループにて運営する新しい未来のテレビ「ABEMA」をはじめとしたサービスにおいて導入を目指しております。
「AI Lab」ではWebサービスにおいてユーザー満足度を高めるAI技術の創出を目指し、今後も研究・開発に努めてまいります。
※1 「ICLR」The International Conference on Learning Representations
※2 「NeurIPS」Neural Information Processing Systems
※3 「ICML」International Conference on Machine Learning
※4 「ABEMA」
※5 本論文では、畳み込み型平滑化を用いて目的関数を滑らかにし、二階段微分可能にすることで計算速度と安定性を高めています。
※6 推薦システムにおいて、行列分解はユーザーとコンテンツ間の関係を数値化し、それらの特徴ベクトルを生成します。これにより、ユーザーの好みを詳細に把握し、個々に合わせた推薦を行います。
当社のグループにて運営する新しい未来のテレビ「ABEMA」をはじめとしたサービスにおいて導入を目指しております。
「AI Lab」ではWebサービスにおいてユーザー満足度を高めるAI技術の創出を目指し、今後も研究・開発に努めてまいります。
※1 「ICLR」The International Conference on Learning Representations
※2 「NeurIPS」Neural Information Processing Systems
※3 「ICML」International Conference on Machine Learning
※4 「ABEMA」
※5 本論文では、畳み込み型平滑化を用いて目的関数を滑らかにし、二階段微分可能にすることで計算速度と安定性を高めています。
※6 推薦システムにおいて、行列分解はユーザーとコンテンツ間の関係を数値化し、それらの特徴ベクトルを生成します。これにより、ユーザーの好みを詳細に把握し、個々に合わせた推薦を行います。