論文の概要: DVE: Dynamic Variational Embeddings with Applications in Recommender
Systems
- arxiv url: http://arxiv.org/abs/2009.08962v1
- Date: Thu, 27 Aug 2020 20:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:35:44.200460
- Title: DVE: Dynamic Variational Embeddings with Applications in Recommender
Systems
- Title(参考訳): DVE: 動的変分埋め込みとレコメンダシステムへの応用
- Authors: Meimei Liu, Hongxia Yang
- Abstract要約: ニューラルネットワークの最近の進歩に基づくシーケンス認識データに対する動的変動埋め込み(DVE)手法を提案する。
DVEは、探索に不可欠であるノード固有の性質と時間的変動を、明示的に同時にモデル化することができる。
さらに、DVEをシーケンス認識レコメンデータシステムに適用し、リンク予測のためのエンドツーエンドニューラルネットワークを開発する。
- 参考スコア(独自算出の注目度): 47.94111843635162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Embedding is a useful technique to project a high-dimensional feature into a
low-dimensional space, and it has many successful applications including link
prediction, node classification and natural language processing. Current
approaches mainly focus on static data, which usually lead to unsatisfactory
performance in applications involving large changes over time. How to
dynamically characterize the variation of the embedded features is still
largely unexplored. In this paper, we introduce a dynamic variational embedding
(DVE) approach for sequence-aware data based on recent advances in recurrent
neural networks. DVE can model the node's intrinsic nature and temporal
variation explicitly and simultaneously, which are crucial for exploration. We
further apply DVE to sequence-aware recommender systems, and develop an
end-to-end neural architecture for link prediction.
- Abstract(参考訳): 埋め込みは高次元の機能を低次元空間に投影する上で有用な手法であり、リンク予測、ノード分類、自然言語処理など多くの応用が成功している。
現在のアプローチは主に静的データに重点を置いているが、これは通常、時間とともに大きな変更が伴うアプリケーションの不満足なパフォーマンスにつながる。
組み込み機能のバリエーションを動的に特徴付ける方法はまだ明らかにされていない。
本稿では,近年のリカレントニューラルネットワークの進歩に基づくシーケンス認識データに対する動的変動埋め込み(DVE)手法を提案する。
DVEは、探索に不可欠なノード固有の性質と時間的変動を明示的に同時にモデル化することができる。
さらに,シーケンス認識型レコメンダシステムにもdveを適用し,リンク予測のためのエンドツーエンド・ニューラル・アーキテクチャを開発した。
関連論文リスト
- Spatiotemporal Learning on Cell-embedded Graphs [6.8090864965073274]
学習可能なセル属性をノードエッジメッセージパッシングプロセスに導入し,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットの実験は、CeGNNが他のベースラインモデルと比較して優れた性能を発揮することを示した。
論文 参考訳(メタデータ) (2024-09-26T16:22:08Z) - Latent Dynamics Networks (LDNets): learning the intrinsic dynamics of
spatio-temporal processes [2.3694122563610924]
ラテント・ダイナミクス・ネットワーク(LDNet)は、非マルコフ力学系の低次元固有力学を発見できる。
LDNetは軽量で訓練が容易で、時間外挿方式でも精度と一般化性に優れている。
論文 参考訳(メタデータ) (2023-04-28T21:11:13Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。
教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。
その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
論文 参考訳(メタデータ) (2021-08-26T09:58:06Z) - Deep Probabilistic Time Series Forecasting using Augmented Recurrent
Input for Dynamic Systems [12.319812075685956]
我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。
特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。
トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
論文 参考訳(メタデータ) (2021-06-03T23:41:11Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳(メタデータ) (2021-05-03T07:23:39Z) - Contextual HyperNetworks for Novel Feature Adaptation [43.49619456740745]
Contextual HyperNetwork(CHN)は、ベースモデルを新機能に拡張するためのパラメータを生成する。
予測時、CHNはニューラルネットワークを通る単一のフォワードパスのみを必要とし、大幅なスピードアップをもたらす。
本システムでは,既存のインプテーションやメタラーニングベースラインよりも,新しい特徴のマイズショット学習性能が向上することを示す。
論文 参考訳(メタデータ) (2021-04-12T23:19:49Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳(メタデータ) (2021-03-23T09:32:06Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳(メタデータ) (2020-11-16T08:24:34Z)
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。