arXiv Artificial Intelligence· Song-Li Wu, Xianquan Wang, Zhaocheng Du, Weinan Gan, Jingyi Wang·· 3 小时前AI 评分31
FairDiff：缓解扩散推荐模型中自我强化的马太效应
FairDiff: Mitigating the Self-Reinforcing Matthew Effect in Diffusion Recommender Models
AI 导读
FairDiff 是一个即插即用的公平性感知扩散框架，用于缓解扩散推荐模型（DRM）中自我强化的流行度偏差。该框架提出流行度条件引导（PCG），在推理阶段对基于分数的梯度场做分布重加权，惩罚高流行度区域；并设计语义校准（SC）模块，通过一步最优传输对齐前向与反向分布。综合评估显示 FairDiff 在取得 SOTA 性能的同时有效缓解了马太效应。
来源：arXiv Artificial Intelligence · arxiv.org