論文の概要: Simultaneous Preference and Metric Learning from Paired Comparisons
- arxiv url: http://arxiv.org/abs/2009.02302v2
- Date: Mon, 7 Sep 2020 00:31:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 01:52:27.644228
- Title: Simultaneous Preference and Metric Learning from Paired Comparisons
- Title（参考訳）: ペア比較による同時選好とメトリック学習
- Authors: Austin Xu and Mark A. Davenport
- Abstract要約: 本稿では,距離計量が未知のマハラノビス計量である場合に,ユーザの嗜好の理想的な点表現を学習する問題を考察する。
我々は「item $mathbfx_i$ is preferred to item $mathbfx_j$」という形式のペア比較から、ユーザの理想的な点 $mathbfu$ と Mahalanobis メトリックを推定する新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 21.76333373051043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A popular model of preference in the context of recommendation systems is the
so-called \emph{ideal point} model. In this model, a user is represented as a
vector $\mathbf{u}$ together with a collection of items $\mathbf{x_1}, \ldots,
\mathbf{x_N}$ in a common low-dimensional space. The vector $\mathbf{u}$
represents the user's "ideal point," or the ideal combination of features that
represents a hypothesized most preferred item. The underlying assumption in
this model is that a smaller distance between $\mathbf{u}$ and an item
$\mathbf{x_j}$ indicates a stronger preference for $\mathbf{x_j}$. In the vast
majority of the existing work on learning ideal point models, the underlying
distance has been assumed to be Euclidean. However, this eliminates any
possibility of interactions between features and a user's underlying
preferences. In this paper, we consider the problem of learning an ideal point
representation of a user's preferences when the distance metric is an unknown
Mahalanobis metric. Specifically, we present a novel approach to estimate the
user's ideal point $\mathbf{u}$ and the Mahalanobis metric from paired
comparisons of the form "item $\mathbf{x_i}$ is preferred to item
$\mathbf{x_j}$." This can be viewed as a special case of a more general metric
learning problem where the location of some points are unknown a priori. We
conduct extensive experiments on synthetic and real-world datasets to exhibit
the effectiveness of our algorithm.
- Abstract（参考訳）: レコメンデーションシステムの文脈における選好の一般的なモデルは、いわゆる 'emph{ideal point} モデルである。
このモデルでは、ユーザはベクトル $\mathbf{u}$ と、共通の低次元空間におけるアイテム $\mathbf{x_1}, \ldots, \mathbf{x_N}$ の集合として表される。
ベクトル $\mathbf{u}$ はユーザの「理想点」または仮説化された最も好まれる項目を表す特徴の理想的な組み合わせを表す。
このモデルの基本的な仮定は、$\mathbf{u}$ と $\mathbf{x_j}$ の間の距離が小さいことは$\mathbf{x_j}$ のより強い選好を示すということである。
理想点モデルを学ぶ既存の研究のほとんどにおいて、基礎となる距離はユークリッドであると仮定されている。
しかし、これは機能とユーザの基本的な好みの間の相互作用を排除します。
本稿では,距離計量が未知のマハラノビス計量である場合に,ユーザの好みの理想的なポイント表現を学習する問題を考察する。
具体的には、「item $\mathbf{x_i}$ is preferred to item $\mathbf{x_j}$」という形式のペア比較から、ユーザの理想点$\mathbf{u}$とマハラノビス計量を推定する新しいアプローチを提案する。
「これは、ある点の位置が未知であるような、より一般的な計量学習問題の特別な場合と見なすことができる。
本アルゴリズムの有効性を示すために,合成および実世界のデータセットを広範囲に実験した。
関連論文リスト
- Approximation of the Proximal Operator of the $\ell_\infty$ Norm Using a Neural Network [1.7265013728931]
ニューラルネットワークを用いて,$textbfprox_alphacdot||infty(mathbfx)$を近似する。
ネットワークの新たな側面は、特徴選択プロセスにより、様々な長さのベクトルを受け入れることができることである。
特徴選択を使用しない「バニラニューラルネットワーク」よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-20T22:12:30Z) - Optimal Sketching for Residual Error Estimation for Matrix and Vector Norms [50.15964512954274]
線形スケッチを用いた行列とベクトルノルムの残差誤差推定問題について検討する。
これは、前作とほぼ同じスケッチサイズと精度で、経験的にかなり有利であることを示す。
また、スパースリカバリ問題に対して$Omega(k2/pn1-2/p)$低いバウンダリを示し、これは$mathrmpoly(log n)$ factorまで厳密である。
論文 参考訳（メタデータ） (2024-08-16T02:33:07Z) - Online Learning of Halfspaces with Massart Noise [47.71073318490341]
我々はMassartノイズの存在下でのオンライン学習の課題について検討する。
計算効率のよいアルゴリズムで, 誤り境界が$eta T + o(T)$であることを示す。
我々はMassartオンライン学習者を用いて、任意のラウンドでランダムなアクションを選択するよりも、少なくとも$(1-1/k) Delta T - o(T)$の報酬を得られる効率的なバンディットアルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-05-21T17:31:10Z) - Metric Learning from Limited Pairwise Preference Comparisons [6.4930837940388075]
理想点モデルに基づく選好比較から計量学習を研究する。
一般に、$o(d)$比較は、無限に多くのユーザでさえ、計量に関する情報を示さないことを示す。
論文 参考訳（メタデータ） (2024-03-28T17:46:25Z) - Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。
本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。
最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文 参考訳（メタデータ） (2024-02-06T15:39:09Z) - Metricizing the Euclidean Space towards Desired Distance Relations in
Point Clouds [1.2366208723499545]
我々は教師なし学習アルゴリズム、具体的には$k$-Means and density-based clustering algorithm(DBSCAN)を攻撃している。
クラスタリングアルゴリズムの結果は、特定の距離関数を使用するための標準化された固定された処方令がなければ、一般的には信頼できない可能性がある。
論文 参考訳（メタデータ） (2022-11-07T16:37:29Z) - Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。
我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
論文 参考訳（メタデータ） (2022-03-18T18:50:52Z) - Minimax Optimal Quantization of Linear Models: Information-Theoretic
Limits and Efficient Algorithms [59.724977092582535]
測定から学習した線形モデルの定量化の問題を考える。
この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。
本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
論文 参考訳（メタデータ） (2022-02-23T02:39:04Z) - Contextual Recommendations and Low-Regret Cutting-Plane Algorithms [49.91214213074933]
本稿では、ナビゲーションエンジンやレコメンデーションシステムにおけるルーティングアプリケーションによって動機付けられた、コンテキスト線形帯域の次の変種について考察する。
我々は、真の点$w*$と分離オラクルが返す超平面の間の全距離を、低い「回帰」を持つ新しい切断平面アルゴリズムを設計する。
論文 参考訳（メタデータ） (2021-06-09T05:39:05Z) - Block Model Guided Unsupervised Feature Selection [32.21728295212875]
リンクデータに対するグラフ駆動型教師なし特徴選択のための新しい手法を提案する。
まず、グラフ上にブロックモデルを構築し、次に特徴選択にブロックモデルを使用するという、新しいアプローチを取ります。
実験結果から,本手法は実世界の複数の公開データセット上での最先端の手法であることがわかった。
論文 参考訳（メタデータ） (2020-07-05T16:19:47Z)
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。