論文の概要: Critically Examining the Claimed Value of Convolutions over User-Item Embedding Maps for Recommender Systems

• arxiv url: http://arxiv.org/abs/2007.11893v2
• Date: Wed, 5 Aug 2020 18:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 11:45:30.672959
• Title: Critically Examining the Claimed Value of Convolutions over User-Item Embedding Maps for Recommender Systems
• Title（参考訳）: Recommender システムのユーザ項目埋め込みマップにおける畳み込みの主張価値の批判的検討
• Authors: Maurizio Ferrari Dacrema, Federico Parroni, Paolo Cremonesi, Dietmar Jannach
• Abstract要約: 近年,推薦システムの領域におけるアルゴリズム研究は,行列因数分解技術からニューラルアプローチへと移行している。 文献で報告された主張利益は, 埋め込み相関をモデル化するCNNの能力によるものではない, という分析的考察と実証的評価を通して示す。
• 参考スコア（独自算出の注目度）: 14.414055798999764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, algorithm research in the area of recommender systems has shifted from matrix factorization techniques and their latent factor models to neural approaches. However, given the proven power of latent factor models, some newer neural approaches incorporate them within more complex network architectures. One specific idea, recently put forward by several researchers, is to consider potential correlations between the latent factors, i.e., embeddings, by applying convolutions over the user-item interaction map. However, contrary to what is claimed in these articles, such interaction maps do not share the properties of images where Convolutional Neural Networks (CNNs) are particularly useful. In this work, we show through analytical considerations and empirical evaluations that the claimed gains reported in the literature cannot be attributed to the ability of CNNs to model embedding correlations, as argued in the original papers. Moreover, additional performance evaluations show that all of the examined recent CNN-based models are outperformed by existing non-neural machine learning techniques or traditional nearest-neighbor approaches. On a more general level, our work points to major methodological issues in recommender systems research.
• Abstract（参考訳）: 近年,推薦システムの領域におけるアルゴリズム研究は,行列分解法とその潜在因子モデルからニューラルアプローチへと移行している。 しかしながら、潜在因子モデルの証明された能力を考えると、より複雑なネットワークアーキテクチャにそれらを組み込む新しいニューラルアプローチもある。 最近、何人かの研究者によって提唱された特定のアイデアは、ユーザ-イテム相互作用マップに畳み込みを適用することで、潜伏因子、すなわち埋め込みの間の潜在的な相関を考察することである。 しかし、本論文の主張とは対照的に、このような相互作用写像は畳み込みニューラルネットワーク(cnns)が特に有用である画像の特性を共有しない。 そこで本研究では,本論文で報告されたクレーム利得は,cnnが組込み相関をモデル化する能力に起因するものではないという分析的考察と経験的評価を通して示す。 さらに、最近のcnnベースのモデルでは、既存の非ニューラル機械学習技術や従来型のneighborアプローチよりも優れたパフォーマンス評価がなされている。 より一般的なレベルでは、リコメンデータシステム研究における主要な方法論上の課題を指摘する。

関連論文リスト

• SoK: On Finding Common Ground in Loss Landscapes Using Deep Model Merging Techniques [4.013324399289249]
  本稿では,モデルマージ手法の新たな分類法を提案する。 これらの分野における文献からの反復的な経験的観察を,ロスランドスケープ幾何学の4つの主要な側面のキャラクタリゼーションに用いた。
  論文  参考訳（メタデータ） (2024-10-16T18:14:05Z)
• 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)
• EvalAttAI: A Holistic Approach to Evaluating Attribution Maps in Robust and Non-Robust Models [0.3425341633647624]
  本稿では、ロバストニューラルネットワークがより説明しやすいかどうかを調べるために、属性マッピングの評価方法に焦点を当てる。 従来の指標の限界に対処する新しい説明可能性忠実度指標(EvalAttAI)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T18:33:22Z)
• 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)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• A Detailed Look At CNN-based Approaches In Facial Landmark Detection [5.774786149181392]
  CNNベースのアプローチは回帰とヒートマップのアプローチに分けられる。 本稿では,CNNに基づくアプローチの両面について検討し,その利点と欠点を一般化し,ヒートマップアプローチのバリエーションを導入する。 包括的評価を行い,提案モデルが全テストデータセットにおいて,他のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-08T16:17:42Z)
• Amortized Bayesian Inference for Models of Cognition [0.1529342790344802]
  専門的なニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、ベイズ近似計算の多くの過去の問題を回避している。 本稿では,アモータイズされたベイズパラメータの推定とモデル比較について概説する。
  論文  参考訳（メタデータ） (2020-05-08T08:12:15Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。