Fugu-MT 論文翻訳(概要): Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model

論文の概要: Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model

arxiv url: http://arxiv.org/abs/2003.02452v1
Date: Thu, 5 Mar 2020 06:34:53 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 06:23:56.344289
Title: Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model
Title（参考訳）: 半教師付き学習が因子化を満たす - チェーングラフモデルによる推奨学習
Authors: Chaochao Chen, Kevin C. Chang, Qibing Li, Xiaolin Zheng
Abstract要約: 潜在因子モデル(LFM)は、優れたパフォーマンスとスケーラビリティのために、レコメンデーションシステムにおいて多くの注目を集めています。半教師付き学習(SSL)は、ラベル(評価)の空間性の問題を軽減する効果的な方法を提供する。 SSL と LFM を結合する新しい確率的連鎖グラフモデル (CGM) を提案する。
参考スコア（独自算出の注目度）: 16.007141894770054
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently latent factor model (LFM) has been drawing much attention in recommender systems due to its good performance and scalability. However, existing LFMs predict missing values in a user-item rating matrix only based on the known ones, and thus the sparsity of the rating matrix always limits their performance. Meanwhile, semi-supervised learning (SSL) provides an effective way to alleviate the label (i.e., rating) sparsity problem by performing label propagation, which is mainly based on the smoothness insight on affinity graphs. However, graph-based SSL suffers serious scalability and graph unreliable problems when directly being applied to do recommendation. In this paper, we propose a novel probabilistic chain graph model (CGM) to marry SSL with LFM. The proposed CGM is a combination of Bayesian network and Markov random field. The Bayesian network is used to model the rating generation and regression procedures, and the Markov random field is used to model the confidence-aware smoothness constraint between the generated ratings. Experimental results show that our proposed CGM significantly outperforms the state-of-the-art approaches in terms of four evaluation metrics, and with a larger performance margin when data sparsity increases.
Abstract（参考訳）: 近年,遅延因子モデル(lfm)は性能と拡張性が向上し,レコメンダシステムにおいて注目を集めている。しかし、既存の LFM では、既知値のみに基づいて評価行列の欠落を予測しているため、評価行列の間隔は常に性能を制限している。一方、半教師付き学習(SSL)は、アフィニティグラフの滑らかさの洞察に基づいてラベル伝搬を行うことにより、ラベル(評価)の空間問題を緩和する効果的な方法を提供する。しかし、グラフベースのSSLは、レコメンデーションを直接適用する場合、深刻なスケーラビリティとグラフの信頼性に悩まされる。本稿では,SSL と LFM を結合する新しい確率的連鎖グラフモデル (CGM) を提案する。提案したCGMはベイジアンネットワークとマルコフ確率場を組み合わせたものである。ベイズネットワークはレーティングの生成と回帰の手順をモデル化し、マルコフランダム場は生成したレーティング間の信頼と認識の滑らかさの制約をモデル化する。実験の結果,提案したCGMは4つの評価指標で最先端の手法よりも優れており,データ空間が大きくなると性能差が大きくなることがわかった。

関連論文リスト

Marginal Debiased Network for Fair Visual Recognition [59.05212866862219]
本稿では,デバイアス表現を学習するための新しい限界脱バイアスネットワーク(MDN)を提案する。我々のMDNは、表現不足のサンプルに対して顕著な性能を達成できる。
論文参考訳（メタデータ） (2024-01-04T08:57:09Z)
Gaussian Latent Representations for Uncertainty Estimation using Mahalanobis Distance in Deep Classifiers [1.5088605208312555]
本稿では,マハラノビス距離に基づく不確実性予測のための軽量で高速かつ高性能な正規化手法を提案する。微生物分類における実生活コンピュータビジョン利用事例への本手法の適用性を示す。
論文参考訳（メタデータ） (2023-05-23T09:18:47Z)
Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
論文参考訳（メタデータ） (2023-05-04T06:06:29Z)
LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文参考訳（メタデータ） (2023-02-16T10:16:21Z)
Spike-and-Slab Generalized Additive Models and Scalable Algorithms for High-Dimensional Data [0.0]
本稿では,高次元データに対応するため,階層型一般化加法モデル(GAM)を提案する。曲線の適切な縮退と滑らか化関数線型空間と非線形空間の分離に対する平滑化ペナルティを考察する。 2つの決定論的アルゴリズム、EM-Coordinate Descent と EM-Iterative Weighted Least Squares は異なるユーティリティ向けに開発された。
論文参考訳（メタデータ） (2021-10-27T14:11:13Z)
A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-06-22T12:41:19Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文参考訳（メタデータ） (2021-01-06T17:36:26Z)
Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文参考訳（メタデータ） (2020-11-24T02:55:40Z)
Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文参考訳（メタデータ） (2020-08-07T08:22:26Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。