論文の概要: FIVES: Feature Interaction Via Edge Search for Large-Scale Tabular Data
- arxiv url: http://arxiv.org/abs/2007.14573v2
- Date: Wed, 2 Jun 2021 03:00:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 19:33:18.816858
- Title: FIVES: Feature Interaction Via Edge Search for Large-Scale Tabular Data
- Title（参考訳）: FIVES: 大規模タブラルデータのためのエッジ検索による機能インタラクション
- Authors: Yuexiang Xie, Zhen Wang, Yaliang Li, Bolin Ding, Nezihe Merve G\"urel,
Ce Zhang, Minlie Huang, Wei Lin, Jingren Zhou
- Abstract要約: 本稿では,FIVES (Feature Interaction Via Edge Search) という新しい手法を提案する。
FIVESは、定義された特徴グラフ上のエッジを探すために、インタラクティブな特徴生成のタスクを定式化する。
本稿では,対話的特徴の探索を動機づける理論的証拠を提示する。
- 参考スコア（独自算出の注目度）: 106.76845921324704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-order interactive features capture the correlation between different
columns and thus are promising to enhance various learning tasks on ubiquitous
tabular data. To automate the generation of interactive features, existing
works either explicitly traverse the feature space or implicitly express the
interactions via intermediate activations of some designed models. These two
kinds of methods show that there is essentially a trade-off between feature
interpretability and search efficiency. To possess both of their merits, we
propose a novel method named Feature Interaction Via Edge Search (FIVES), which
formulates the task of interactive feature generation as searching for edges on
the defined feature graph. Specifically, we first present our theoretical
evidence that motivates us to search for useful interactive features with
increasing order. Then we instantiate this search strategy by optimizing both a
dedicated graph neural network (GNN) and the adjacency tensor associated with
the defined feature graph. In this way, the proposed FIVES method simplifies
the time-consuming traversal as a typical training course of GNN and enables
explicit feature generation according to the learned adjacency tensor.
Experimental results on both benchmark and real-world datasets show the
advantages of FIVES over several state-of-the-art methods. Moreover, the
interactive features identified by FIVES are deployed on the recommender system
of Taobao, a worldwide leading e-commerce platform. Results of an online A/B
testing further verify the effectiveness of the proposed method FIVES, and we
further provide FIVES as AI utilities for the customers of Alibaba Cloud.
- Abstract（参考訳）: 高次インタラクティブ機能は、異なる列間の相関を捉え、ユビキタスな表データの様々な学習タスクを強化することを約束する。
インタラクティブな特徴の自動生成を実現するために、既存の作業は特徴空間を明示的に横切るか、あるいはいくつかの設計されたモデルの中間活性化を通じて暗黙的に相互作用を表現する。
これら2つの手法は,機能解釈性と検索効率の間には,本質的にトレードオフが存在することを示している。
両者の利点を両立させるため,定義した特徴グラフ上のエッジ探索として,対話的特徴生成のタスクを定式化するFIVES (Feature Interaction Via Edge Search) という新しい手法を提案する。
具体的には, 有用な対話的特徴を探索する動機づけとなる理論的な証拠を, 順に提示する。
次に,専用グラフニューラルネットワーク(gnn)と特徴グラフに付随する隣接テンソルを最適化することにより,この探索戦略のインスタンス化を行う。
このようにして、提案手法は、GNNの典型的なトレーニングコースとして、時間消費トラバースを単純化し、学習した隣接テンソルに応じて明示的な特徴生成を可能にする。
ベンチマークと実世界の両方のデータセットの実験結果は、いくつかの最先端手法よりもFIVESの利点を示している。
さらに、FIVESによって識別されるインタラクティブ機能は、世界有数のeコマースプラットフォームであるTaobaoのレコメンデータシステムにデプロイされる。
オンラインA/Bテストの結果、提案手法であるFIVESの有効性をさらに検証し、Alibaba Cloudの顧客にAIユーティリティとしてFIVESを提供する。
関連論文リスト
- Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Online Signature Recognition: A Biologically Inspired Feature Vector Splitting Approach [0.5120567378386615]
私たちは、各特徴サブセットの相対的重要性の制御を維持するために、認知原則に沿った複数の分割戦略を採用しています。
実験により, 空間座標 (x, y) と圧力データの融合により連続的に性能が向上することが示されている。
同じ特徴セットにペン先角度を組み込むと、混合結果が得られ、一部のケースで性能改善が見られた。
論文 参考訳（メタデータ） (2024-05-21T07:51:01Z) - On Exploring Pose Estimation as an Auxiliary Learning Task for
Visible-Infrared Person Re-identification [66.58450185833479]
本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。
これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。
2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
論文 参考訳（メタデータ） (2022-01-11T09:44:00Z) - Memorize, Factorize, or be Na\"ive: Learning Optimal Feature Interaction
Methods for CTR Prediction [29.343267933348372]
本稿では,各機能間相互作用に最も適したモデリング手法を求めるOPtInterというフレームワークを提案する。
実験の結果,OptInterは最先端のベースライン深部CTRモデルを最大2.21%改善することがわかった。
論文 参考訳（メタデータ） (2021-08-03T03:03:34Z) - Two-Level Adversarial Visual-Semantic Coupling for Generalized Zero-shot
Learning [21.89909688056478]
トレーニング中に推論ネットワークを用いて生成ネットワークを増強する2段階のジョイントアイデアを提案する。
これにより、ビジュアルドメインとセマンティックドメイン間の効果的な知識伝達のための強力な相互モーダル相互作用が提供される。
提案手法は,4つのベンチマークデータセットに対して,いくつかの最先端手法に対して評価し,その性能を示す。
論文 参考訳（メタデータ） (2020-07-15T15:34:09Z) - A Graph-based Interactive Reasoning for Human-Object Interaction
Detection [71.50535113279551]
本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。
In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。
私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
論文 参考訳（メタデータ） (2020-07-14T09:29:03Z) - SEKD: Self-Evolving Keypoint Detection and Description [42.114065439674036]
ラベルのない自然画像から高度な局所特徴モデルを学ぶための自己教師型フレームワークを提案する。
提案手法は, ホモグラフィー推定, 相対的なポーズ推定, および動きからの構造的タスクについてベンチマークする。
トレーニングされたモデルとともに、コードを公開します。
論文 参考訳（メタデータ） (2020-06-09T06:56:50Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z)
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。