論文の概要: Efficient Model-Based Collaborative Filtering with Fast Adaptive PCA

• arxiv url: http://arxiv.org/abs/2009.02251v1
• Date: Fri, 4 Sep 2020 15:32:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 01:59:59.194947
• Title: Efficient Model-Based Collaborative Filtering with Fast Adaptive PCA
• Title（参考訳）: 高速適応PCAを用いたモデルベース協調フィルタリング
• Authors: Xiangyun Ding, Wenjian Yu, Yuyang Xie, Shenghua Liu
• Abstract要約: 高速適応ランダム化特異値分解(SVD)を用いたモデルベース協調フィルタリング(CF)手法を提案する。 適応型PCAのための新しい終端機構を提案し, ほぼ最適な予測精度を達成するための複数の潜時因子を自動決定する。 提案したモデルベースCFアプローチは,20MレーティングでMatlab MovieLenデータを効率的に処理し,正規化因数分解に基づくアプローチよりも10倍以上のスピードアップを示す。
• 参考スコア（独自算出の注目度）: 4.878057307346225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A model-based collaborative filtering (CF) approach utilizing fast adaptive randomized singular value decomposition (SVD) is proposed for the matrix completion problem in recommender system. Firstly, a fast adaptive PCA frameworkis presented which combines the fixed-precision randomized matrix factorization algorithm [1] and accelerating skills for handling large sparse data. Then, a novel termination mechanism for the adaptive PCA is proposed to automatically determine a number of latent factors for achieving the near optimal prediction accuracy during the subsequent model-based CF. The resulted CF approach has good accuracy while inheriting high runtime efficiency. Experiments on real data show that, the proposed adaptive PCA is up to 2.7X and 6.7X faster than the original fixed-precision SVD approach [1] and svds in Matlab repsectively, while preserving accuracy. The proposed model-based CF approach is able to efficiently process the MovieLens data with 20M ratings and exhibits more than 10X speedup over the regularized matrix factorization based approach [2] and the fast singular value thresholding approach [3] with comparable or better accuracy. It also owns the advantage of parameter free. Compared with the deep-learning-based CF approach, the proposed approach is much more computationally efficient, with just marginal performance loss.
• Abstract（参考訳）: 高速適応型ランダム化特異値分解(SVD)を用いたモデルベース協調フィルタリング(CF)手法を提案する。 まず,固定精度ランダム化行列分解アルゴリズム[1]と,大きなスパースデータを扱うための高速化スキルを組み合わせた高速適応型pcaフレームワークを提案する。 そこで, 適応型PCAの新しい終端機構を提案し, その後のモデルベースCFにおいて, ほぼ最適な予測精度を達成するための潜時因子を自動決定する。 その結果、CFアプローチは、高いランタイム効率を継承しながら、良好な精度を実現した。 実データを用いた実験により、提案された適応PCAは、精度を保ちながら、Matlabの元の固定精度SVDアプローチ[1]とsvdsよりも最大2.7倍、最大6.7倍高速であることが示されている。 提案するモデルに基づくcf法では,20mのレーティングで映画レンスデータを効率的に処理でき,正規化行列分解法[2]と高速特異値しきい値法[3]と比較して10倍以上の高速化が達成できる。 またパラメータフリーの利点も持っている。 ディープラーニングベースのCFアプローチと比較すると,提案手法は計算効率が向上し,限界性能が低下する。

関連論文リスト

• Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
  本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
  論文  参考訳（メタデータ） (2024-10-28T04:47:39Z)
• Initialization Method for Factorization Machine Based on Low-Rank Approximation for Constructing a Corrected Approximate Ising Model [1.194799054956877]
  Isingモデルは、機械学習モデルであるFacterization Machine(FM)を用いて、高い精度で近似される。 FMQAの最適化性能は、ウォームスタート方式の実装により向上することが期待されている。
  論文  参考訳（メタデータ） (2024-10-16T17:06:55Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Fast Dual-Regularized Autoencoder for Sparse Biological Data [65.268245109828]
  本研究では,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。 本研究は, 薬物と薬物の相互作用と薬物の放出関連性を予測する上で, 既存の最先端技術に対するアプローチの速度と精度の優位性を実証する。
  論文  参考訳（メタデータ） (2024-01-30T01:28:48Z)
• Fair principal component analysis (PCA): minorization-maximization algorithms for Fair PCA, Fair Robust PCA and Fair Sparse PCA [6.974999794070285]
  公平なPCA(FPCA)問題を解決するために,新しい反復アルゴリズムを提案する。 提案アルゴリズムはアルゴリズムの反復ごとに厳密であることが証明された半直交制約の緩和に依存する。 本稿では,提案手法の性能を,合成データセットと実生活データセットの2つの最先端手法と比較する。
  論文  参考訳（メタデータ） (2023-05-10T08:14:32Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
  変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。 内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
  論文  参考訳（メタデータ） (2021-09-13T08:31:59Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Automatic selection of basis-adaptive sparse polynomial chaos expansions for engineering applications [0.0]
  スパースカオス展開のための3つの最新技術に基づく基礎適応的アプローチについて述べる。 我々は,大規模な計算モデルに対して,大域的近似精度の観点から広範なベンチマークを行う。 クロスバリデーションエラーによって導かれる新しい解法と基底適応性選択スキームを導入する。
  論文  参考訳（メタデータ） (2020-09-10T12:13:57Z)

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。