uCTRL：通过对齐与均匀性实现协同过滤的无偏对比表征学习

基于摘要分析。本文研究协同过滤（CF）中隐式用户反馈偏向热门物品、进而造成推荐流行度偏差的问题，提出无偏对比表征学习方法 uCTRL，将由 InfoNCE 损失导出的对齐与均匀性目标用于用户和物品表征学习。 作者指出，既有去偏方法使用逆倾向加权（IPW）或因果推断，但主要采用逐点或成对损失。uCTRL 的具体贡献是在上述对比学习框架中构造无偏对齐函数，并提出一种旨在同时消除用户与物品偏差的 IPW 估计方法。摘要未提供倾向概率的估计公式、均匀性目标是否及如何去偏，以及训练采样与权重稳定化细节，相关机制仍需全文核对。 作者报告，在四个推荐基准数据集上，将 uCTRL 与现有 CF 模型结合，相比所比较的先进无偏推荐模型，Recall@20 和 NDCG@20 的增益最高分别为 12.22% 和 16.33%。摘要未给出数据集名称、划分方式、具体基线、增益计算方式及各数据集结果，不能将上述最大增益视为所有设置下的统一提升；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移线索是对非均匀观测造成的对比学习偏差进行倾向加权，但原任务依赖用户—物品隐式交互结构，并非 EEG 信号建模。若 EEG 训练样本存在可估计的被试或试次入选概率差异，可尝试复用加权对齐思想，但需重新定义正样本关系和倾向估计，不能直接套用用户—物品模型。低信噪比、小样本及稀有被试对应的极端权重可能放大方差。一个可证伪的小实验是在固定 EEG 训练与测试划分下，仅对训练集施加已知采样偏差，对比不加权对齐、已知倾向加权与估计倾向加权在同一测试集上的表现。已有 EEG 相关工作尚未检索确认。