揭示热门数据对模型对齐的影响机制，给出理论边界。

Popularity Bias Alignment Estimates

• 推广热门偏差记忆定理至任意度分布场景
• 给出与前k个奇异子空间对齐的上下界估计
• 为理解模型偏见提供数学依据，适合理论研究者

我们将来自 arXiv:archive/2404.12008 的热门偏差记忆定理拓展到任意度分布情形，并证明了与前k个奇异子空间对齐的上下界估计。该工作深化了对模型如何记忆和对齐流行数据的理解，为分析推荐系统和语言模型中的偏差提供了新的理论工具。

原文摘要 · Abstract (English)

We are extending Popularity Bias Memorization theorem from arXiv:archive/2404.12008 in several directions. We extend it to arbitrary degree distributions and also prove both upper and lower estimates for the alignment with top-k singular hyperspace.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。