論文の概要: An efficient manifold density estimator for all recommendation systems

• arxiv url: http://arxiv.org/abs/2006.01894v4
• Date: Fri, 16 Apr 2021 12:50:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:02:03.610015
• Title: An efficient manifold density estimator for all recommendation systems
• Title（参考訳）: すべてのレコメンデーションシステムに対する効率的な多様体密度推定器
• Authors: Jacek D\k{a}browski, Barbara Rychalska, Micha{\l} Daniluk, Dominika Basaj, Konrad Go{\l}uchowski, Piotr Babel, Andrzej Micha{\l}owski, Adam Jakubowski
• Abstract要約: 本研究では,任意のベクトル表現を局所的類似性の性質とスムーズな確率密度を簡潔に表現する枠組みを提案する。 我々の近似表現は、固定サイズであり、単純な付加的な構成性を持つのが望ましい性質を持ち、ニューラルネットワークによる処理には特に適している。 トップkとセッションベースのレコメンデーション設定の両方にEを適用することで、ユニモーダルとマルチモーダルの両方の設定で、複数のオープンデータセットに対して、最先端の新たな結果を確立します。
• 参考スコア（独自算出の注目度）: 3.2981402185055213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many unsupervised representation learning methods belong to the class of similarity learning models. While various modality-specific approaches exist for different types of data, a core property of many methods is that representations of similar inputs are close under some similarity function. We propose EMDE (Efficient Manifold Density Estimator) - a framework utilizing arbitrary vector representations with the property of local similarity to succinctly represent smooth probability densities on Riemannian manifolds. Our approximate representation has the desirable properties of being fixed-size and having simple additive compositionality, thus being especially amenable to treatment with neural networks - both as input and output format, producing efficient conditional estimators. We generalize and reformulate the problem of multi-modal recommendations as conditional, weighted density estimation on manifolds. Our approach allows for trivial inclusion of multiple interaction types, modalities of data as well as interaction strengths for any recommendation setting. Applying EMDE to both top-k and session-based recommendation settings, we establish new state-of-the-art results on multiple open datasets in both uni-modal and multi-modal settings.
• Abstract（参考訳）: 多くの教師なし表現学習法は類似性学習モデルのクラスに属する。 様々なモダリティ固有のアプローチは異なる種類のデータに対して存在するが、多くの手法のコア特性は、類似した入力の表現が類似した関数の下にあることである。 EMDE(Efficient Manifold Density Estimator) - リーマン多様体上の滑らかな確率密度を簡潔に表現する局所類似性を持つ任意のベクトル表現を利用するフレームワークを提案する。 我々の近似表現は、固定サイズであり、単純な付加的な構成性を持つという望ましい性質を持ち、特に入力形式と出力形式の両方でニューラルネットワークによる処理が可能であり、効率的な条件推定器を生成する。 多様体上の条件付き重み付き密度推定としてマルチモーダルレコメンデーションの問題を一般化し、修正する。 このアプローチは、複数のインタラクションタイプ、データのモダリティ、およびあらゆるレコメンデーション設定のための相互作用強度を、簡単に含めることができる。 トップkおよびセッションベースのレコメンデーション設定の両方にemdeを適用することで、ユニモーダルおよびマルチモーダル設定の両方において、複数のオープンデータセットに対して新たな最先端結果を確立する。

関連論文リスト

• U3M: Unbiased Multiscale Modal Fusion Model for Multimodal Semantic Segmentation [63.31007867379312]
  U3M: An Unbiased Multiscale Modal Fusion Model for Multimodal Semanticsを紹介する。 我々は,グローバルな特徴とローカルな特徴の効果的な抽出と統合を保証するために,複数のスケールで機能融合を採用している。 実験により,本手法は複数のデータセットにまたがって優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-24T08:58:48Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Generalizing Multimodal Variational Methods to Sets [35.69942798534849]
  本稿では,マルチモーダル潜在空間を学習するために,Set Multimodal VAE(SMVAE)と呼ばれる新しい変分法を提案する。 共同モダリティ後部分布を直接モデル化することにより、提案したSMVAEは、複数のモダリティ間で情報を交換し、分解による欠点を補うことを学習する。
  論文  参考訳（メタデータ） (2022-12-19T23:50:19Z)
• A parallelizable model-based approach for marginal and multivariate clustering [0.0]
  本稿では,モデルに基づくクラスタリングの頑健さを生かしたクラスタリング手法を提案する。 我々は、各マージンごとに異なる数のクラスタを持つことができる有限混合モデルを指定することで、この問題に対処する。 提案手法は、完全な(結合した)モデルベースのクラスタリング手法よりも、中程度から高次元の処理に適するだけでなく、計算的にも魅力的である。
  論文  参考訳（メタデータ） (2022-12-07T23:54:41Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• Conjugate Mixture Models for Clustering Multimodal Data [24.640116037967985]
  マルチモーダルクラスタリングの問題は、データが物理的に異なるセンサーで収集されるたびに発生する。 マルチモーダルクラスタリングは,新しいフレームワーク,すなわち共役混合モデル内で対処できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T10:13:22Z)
• 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)

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。