論文の概要: Federated Multi-view Matrix Factorization for Personalized Recommendations

• arxiv url: http://arxiv.org/abs/2004.04256v1
• Date: Wed, 8 Apr 2020 21:07:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 08:38:10.615473
• Title: Federated Multi-view Matrix Factorization for Personalized Recommendations
• Title（参考訳）: パーソナライズドレコメンデーションのためのフェデレーション多視点行列因子化
• Authors: Adrian Flanagan, Were Oyomno, Alexander Grigorievskiy, Kuan Eeik Tan, Suleiman A. Khan, and Muhammad Ammad-Ud-Din
• Abstract要約: 本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。 本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
• 参考スコア（独自算出の注目度）: 53.74747022749739
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce the federated multi-view matrix factorization method that extends the federated learning framework to matrix factorization with multiple data sources. Our method is able to learn the multi-view model without transferring the user's personal data to a central server. As far as we are aware this is the first federated model to provide recommendations using multi-view matrix factorization. The model is rigorously evaluated on three datasets on production settings. Empirical validation confirms that federated multi-view matrix factorization outperforms simpler methods that do not take into account the multi-view structure of the data, in addition, it demonstrates the usefulness of the proposed method for the challenging prediction tasks of cold-start federated recommendations.
• Abstract（参考訳）: 本稿では,フェデレーション学習フレームワークを複数のデータソースを用いた行列分解に拡張したフェデレーション多視点行列分解法を提案する。 本手法は,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学ぶことができる。 認識している限り、これはマルチビュー行列分解を用いた推奨を提供する最初のフェデレーションモデルである。 モデルは運用環境で3つのデータセットで厳格に評価される。 実験的な検証により,フェデレートされたマルチビュー行列の分解は,データのマルチビュー構造を考慮していない単純な手法よりも優れており,また,コールドスタートしたフェデレーションの予測タスクに対する提案手法の有用性を示す。

関連論文リスト

• CADMR: Cross-Attention and Disentangled Learning for Multimodal Recommender Systems [0.6037276428689637]
  本稿では,新しいオートエンコーダに基づくマルチモーダルレコメンデータシステムCADMRを提案する。 CADMRを3つのベンチマークデータセット上で評価し,最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-12-03T09:09:52Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Multi-view Subspace Clustering via An Adaptive Consensus Graph Filter [4.3507834596906125]
  近年,マルチビューサブスペースクラスタリング (MVSC) が注目されている。 本稿では、コンセンサス再構成係数行列の存在を仮定し、コンセンサスグラフフィルタを構築する。 各ビューでは、データをスムーズ化し、再構成係数行列の正規化器を設計する。
  論文  参考訳（メタデータ） (2024-01-30T02:03:18Z)
• A Novel Approach for Effective Multi-View Clustering with Information-Theoretic Perspective [24.630259061774836]
  本研究では,多視点クラスタリングフレームワークを情報理論の観点から検討する,SUMVC(Sufficient Multi-View Clustering)と呼ばれる新しい手法を提案する。 まず,変分解析を用いて一貫した情報を生成する,シンプルで信頼性の高いマルチビュークラスタリング手法SCMVCを開発する。 次に、一貫した情報を強化し、ビュー間の不要な情報を最小限に抑えるのに十分な表現境界を提案する。
  論文  参考訳（メタデータ） (2023-09-25T09:41:11Z)
• Semi-supervised multi-view concept decomposition [30.699496411869834]
  概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。 そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。 SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-07-03T10:50:44Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Learning Inter- and Intra-manifolds for Matrix Factorization-based Multi-Aspect Data Clustering [3.756550107432323]
  近年,マルチビューやマルチタイプリレーショナルデータなど,複数の側面を持つデータのクラスタリングが普及している。 我々は,データクラスタリングのための多種多様な多様体を学習するために,異なるデータ型(またはビュー)のデータポイントの距離情報を利用するNMFフレームワークに多様体を組み込むことを提案する。 いくつかのデータセットの結果から,提案手法は精度と効率の両面において,最先端のマルチアスペクトデータクラスタリング手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-07T02:21:08Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。