論文の概要: Recommender Systems Based on Generative Adversarial Networks: A
Problem-Driven Perspective
- arxiv url: http://arxiv.org/abs/2003.02474v3
- Date: Sun, 20 Sep 2020 09:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 07:46:11.182515
- Title: Recommender Systems Based on Generative Adversarial Networks: A
Problem-Driven Perspective
- Title(参考訳): 生成的敵ネットワークに基づくレコメンダシステム:問題駆動の視点から
- Authors: Min Gao, Junwei Zhang, Junliang Yu, Jundong Li, Junhao Wen and Qingyu
Xiong
- Abstract要約: GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。
本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
- 参考スコア(独自算出の注目度): 27.11589218811911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems (RSs) now play a very important role in the online lives
of people as they serve as personalized filters for users to find relevant
items from an array of options. Owing to their effectiveness, RSs have been
widely employed in consumer-oriented e-commerce platforms. However, despite
their empirical successes, these systems still suffer from two limitations:
data noise and data sparsity. In recent years, generative adversarial networks
(GANs) have garnered increased interest in many fields, owing to their strong
capacity to learn complex real data distributions; their abilities to enhance
RSs by tackling the challenges these systems exhibit have also been
demonstrated in numerous studies. In general, two lines of research have been
conducted, and their common ideas can be summarized as follows: (1) for the
data noise issue, adversarial perturbations and adversarial sampling-based
training often serve as a solution; (2) for the data sparsity issue, data
augmentation--implemented by capturing the distribution of real data under the
minimax framework--is the primary coping strategy. To gain a comprehensive
understanding of these research efforts, we review the corresponding studies
and models, organizing them from a problem-driven perspective. More
specifically, we propose a taxonomy of these models, along with their detailed
descriptions and advantages. Finally, we elaborate on several open issues and
current trends in GAN-based RSs.
- Abstract(参考訳): レコメンダシステム(rss)は、ユーザーがさまざまなオプションから関連するアイテムを見つけるためのパーソナライズされたフィルターとして、人々のオンライン生活において非常に重要な役割を果たす。
その効果により、RSは消費者指向のeコマースプラットフォームで広く採用されている。
しかし、実証的な成功にもかかわらず、これらのシステムにはデータノイズとデータ空間の2つの制限がある。
近年、gans(generative adversarial network)は、複雑な実データ分布を学習する能力が強かったため、多くの分野の関心を集めている。
データノイズ問題, 逆方向の摂動, 逆方向のサンプリングに基づくトレーニングは, 多くの場合, 解決策として機能する。(2)データ疎度問題では, ミニマックスフレームワーク下での実際のデータの分布を捉えることで実現されるデータ拡張--は, 主要な対処戦略である。
これらの研究の包括的理解を得るために、対応する研究とモデルを、問題駆動の観点から整理して検討する。
具体的には、これらのモデルの分類と、それらの詳細な記述と利点を提案する。
最後に、GANベースのRSにおけるいくつかのオープンな問題と現在のトレンドについて詳しく述べる。
関連論文リスト
- Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - Robust Reinforcement Learning Objectives for Sequential Recommender
Systems [10.226091667719391]
注意に基づくシーケンシャルレコメンデーション手法は,過去のインタラクションからユーザの動的関心を正確に捉えることによって,有望な結果を示した。
近年, これらのモデルに強化学習(RL)を統合する研究が進められている。
RLアルゴリズムを採用することで、政治外のトレーニング、拡張可能なアクションスペースの導入、十分な報酬信号を備えたデータセットの不足といった課題が提示される。
論文 参考訳(メタデータ) (2023-05-30T08:09:08Z) - Machine Learning for Visualization Recommendation Systems: Open
Challenges and Future Directions [2.281744214415521]
我々は,VRSの現状を要約し,将来的な研究の方向性を概説することを目的としている。
本稿では,VRSの現状を要約するだけでなく,将来的な研究の方向性を概説する。
論文 参考訳(メタデータ) (2023-02-01T16:44:39Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - A Comparative Analysis of Bias Amplification in Graph Neural Network
Approaches for Recommender Systems [0.0]
バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。
本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
論文 参考訳(メタデータ) (2023-01-18T16:29:05Z) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳(メタデータ) (2022-09-15T17:59:31Z) - A Comprehensive Survey on Data-Efficient GANs in Image Generation [21.03377218098632]
GAN(Generative Adversarial Networks)は画像合成において顕著な成果を上げている。
限られたトレーニングデータにより、GANのトレーニングプロセスを安定させ、現実的な画像を生成する方法が注目されている。
データ効率のよいGAN(DE-GAN)の課題は主に、(i)訓練と目標配分のミスマッチ、(ii)識別器のオーバーフィッティング、(iii)潜伏とデータ空間の不均衡の3つの側面から生じる。
論文 参考訳(メタデータ) (2022-04-18T14:14:09Z) - Few-shot Partial Multi-view Learning [103.33865779721458]
本稿では,複数ショット部分的多視点学習という新しい課題を提案する。
それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。
提案手法を評価するため,広範囲な実験を行った。
論文 参考訳(メタデータ) (2021-05-05T13:34:43Z) - Deep Learning Based on Generative Adversarial and Convolutional Neural
Networks for Financial Time Series Predictions [0.0]
本稿では、双方向長短期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)により構成されるGAN(generative adversarial Network)の実装を提案する。
Bi-LSTM-CNNは、既存の実際の財務データと一致する合成データを生成するため、株価の将来動向を予測するために、正または負の傾向を持つ株の特徴を保持することができる。
論文 参考訳(メタデータ) (2020-08-08T08:42:46Z) - Data Mining with Big Data in Intrusion Detection Systems: A Systematic
Literature Review [68.15472610671748]
クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。
データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。
ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
論文 参考訳(メタデータ) (2020-05-23T20:57:12Z)
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。