論文の概要: Deep Learning feature selection to unhide demographic recommender systems factors

• arxiv url: http://arxiv.org/abs/2006.12379v1
• Date: Wed, 17 Jun 2020 17:36:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 18:58:47.104598
• Title: Deep Learning feature selection to unhide demographic recommender systems factors
• Title（参考訳）: 人口統計リコメンデーションシステム因子を用いたディープラーニング機能選択
• Authors: Jes\'us Bobadilla, \'Angel Gonz\'alez-Prieto, Fernando Ortega, Ra\'ul Lara-Cabrera
• Abstract要約: 行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
• 参考スコア（独自算出の注目度）: 63.732639864601914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting demographic features from hidden factors is an innovative concept that provides multiple and relevant applications. The matrix factorization model generates factors which do not incorporate semantic knowledge. This paper provides a deep learning-based method: DeepUnHide, able to extract demographic information from the users and items factors in collaborative filtering recommender systems. The core of the proposed method is the gradient-based localization used in the image processing literature to highlight the representative areas of each classification class. Validation experiments make use of two public datasets and current baselines. Results show the superiority of DeepUnHide to make feature selection and demographic classification, compared to the state of art of feature selection methods. Relevant and direct applications include recommendations explanation, fairness in collaborative filtering and recommendation to groups of users.
• Abstract（参考訳）: 階層的特徴を隠蔽要因から抽出することは、複数の関連するアプリケーションを提供する革新的な概念である。 行列分解モデルは意味的知識を含まない因子を生成する。 本稿では,コラボレーティブフィルタリングレコメンダシステムにおいて,ユーザおよび項目要因から人口統計情報を抽出可能なdeepunhideという,ディープラーニングベースの手法を提案する。 提案手法の核心は,各分類クラスの代表領域を強調するために,画像処理文献で用いられる勾配に基づく局所化である。 検証実験では、2つの公開データセットと現在のベースラインを使用する。 その結果,DeepUnHideは特徴選択手法の最先端技術と比較して,特徴選択と階層分類の優位性を示した。 関連するアプリケーションには、レコメンデーションの説明、協調フィルタリングにおける公正性、ユーザグループへのレコメンデーションが含まれる。

関連論文リスト

• A Deep Features-Based Approach Using Modified ResNet50 and Gradient Boosting for Visual Sentiments Classification [1.2434714657059942]
  本研究は,ディープラーニングアルゴリズムと機械学習アルゴリズムの融合を開発する。 改良されたResNet50から深い特徴を抽出するために,多クラス分類のためのDeep Feature-based Methodが使用されている。 グラデーションブースティングアルゴリズムは感情的な内容を含む写真を分類するために使われてきた。
  論文  参考訳（メタデータ） (2024-08-15T04:18:40Z)
• Greedy feature selection: Classifier-dependent feature selection via greedy methods [2.4374097382908477]
  本研究の目的は, グリージーな特徴選択に追随する特徴選択と呼ばれる, 分類タスクにおける特徴ランク付けのための新しいアプローチを導入することである。 このようなスキームの利点は、Vapnik-Chervonenkis(VC)次元やカーネルアライメントといったモデルキャパシティインジケータの観点から理論的に研究されている。
  論文  参考訳（メタデータ） (2024-03-08T08:12:05Z)
• A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning [9.596923373834093]
  本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。 提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-01-15T05:32:35Z)
• Graph-based Extreme Feature Selection for Multi-class Classification Tasks [7.863638253070439]
  本研究は,多クラス分類タスクに適したグラフベースのフィルタ特徴選択手法に焦点をあてる。 分類作業に有用な情報をコードするオリジナルデータのスケッチを作成するために,選択した特徴の数を劇的に削減することを目的としている。
  論文  参考訳（メタデータ） (2023-03-03T09:06:35Z)
• 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)
• Evaluation of Self-taught Learning-based Representations for Facial Emotion Recognition [62.30451764345482]
  この研究は、顔の感情認識のための自己学習の概念を通じて得られた教師なし表現を生成するための様々な戦略を記述する。 このアイデアは、オートエンコーダの初期化、アーキテクチャ、トレーニングデータを変化させることで、多様性を促進する補完的な表現を作ることである。 Jaffe と Cohn-Kanade のデータセットに対する残余のサブジェクトアウトプロトコルによる実験結果から,提案した多種多様な表現に基づく FER 手法が最先端のアプローチと好適に比較できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-26T22:48:15Z)
• Visualization of Supervised and Self-Supervised Neural Networks via Attribution Guided Factorization [87.96102461221415]
  クラスごとの説明性を提供するアルゴリズムを開発した。 実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
  論文  参考訳（メタデータ） (2020-12-03T18:48:39Z)
• Generating Categories for Sets of Entities [34.32017697099142]
  カテゴリーシステムは知識ベースの中心的な構成要素であり、意味論的に関連する概念と実体の階層的なグループ化を提供する。 本稿では,ニューラルネットワークの抽象的要約モデルを用いて,エンティティの集合のカテゴリを生成する手法を提案する。 ウィキペディアのカテゴリに基づいたテストコレクションを開発し,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-19T13:31:07Z)
• Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks [55.11806035788036]
  分類に欠かせないと思われる特徴を視覚化することは有利である。 既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。 本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-31T06:11:06Z)
• 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。