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

• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract) [73.57710917145212]
  ランク付け学習は、入力クエリに基づいて関連するWebページを優先順位付けするために、Web検索で広く使われている。 本稿では,これらの課題に対処するために,経験的 UlineSemi-uline Supervised ulinePre-trained (GS2P) モデルを提案する。 我々は,公開データセットと大規模検索エンジンから収集した実世界のデータセットの両方に対して,大規模なオフライン実験を行う。
  論文  参考訳（メタデータ） (2024-09-25T03:39:14Z)
• Advancements in Recommender Systems: A Comprehensive Analysis Based on Data, Algorithms, and Evaluation [4.688390900531895]
  RSには、アルゴリズム改善、ドメインアプリケーション、ユーザの振る舞いと認識、データ処理とモデリング、社会的影響と倫理の5つの主要な研究トピックが含まれている。 コールドスタート、データスパシティ、データ中毒といったデータ関連の問題、関心の漂流、デバイスとクラウドのコラボレーション、非因果駆動、マルチタスクの競合といったアルゴリズム上の問題には、顕著な影響がある。 収集された文献は主に主要な国際データベースに基づいており、今後の研究は今後さらに拡大していく予定である。
  論文  参考訳（メタデータ） (2024-07-10T14:02:21Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  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 [7.44049827436013]
  我々は、報酬の形で直接ユーザーフィードバックを取り入れ、ユーザのパーソナライズを高めるレコメンデーションシステムを開発する。 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、十分な報酬信号を持つデータセットの不足など、課題が提示される。 これらの課題に対して、より効果的な解決策を提供するための拡張された方法論を導入します。
  論文  参考訳（メタデータ） (2023-05-30T08:09:08Z)
• 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)
• 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)
• 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)

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。