論文の概要: Covariate-assisted Sparse Tensor Completion

• arxiv url: http://arxiv.org/abs/2103.06428v1
• Date: Thu, 11 Mar 2021 03:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 14:50:15.537557
• Title: Covariate-assisted Sparse Tensor Completion
• Title（参考訳）: Covariate-assisted Sparse Tensor Completion
• Authors: Hilda S Ibriga and Will Wei Sun
• Abstract要約: 様々なデバイス上の広告のクリックスルーレート(CTR)が約96%のエントリが欠落し、非欠落エントリに多くのゼロを持っているCTRテンソルを形成するオンライン広告。 私たちの動機は、さまざまなデバイス上の広告のクリックスルーレート(CTR)が、欠落していないエントリに多くのゼロを持つCTRテンソルを形成するオンライン広告から来ています。
• 参考スコア（独自算出の注目度）: 3.934224774675743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We aim to provably complete a sparse and highly-missing tensor in the presence of covariate information along tensor modes. Our motivation comes from online advertising where users click-through-rates (CTR) on ads over various devices form a CTR tensor that has about 96% missing entries and has many zeros on non-missing entries, which makes the standalone tensor completion method unsatisfactory. Beside the CTR tensor, additional ad features or user characteristics are often available. In this paper, we propose Covariate-assisted Sparse Tensor Completion (COSTCO) to incorporate covariate information for the recovery of the sparse tensor. The key idea is to jointly extract latent components from both the tensor and the covariate matrix to learn a synthetic representation. Theoretically, we derive the error bound for the recovered tensor components and explicitly quantify the improvements on both the reveal probability condition and the tensor recovery accuracy due to covariates. Finally, we apply COSTCO to an advertisement dataset consisting of a CTR tensor and ad covariate matrix, leading to 23% accuracy improvement over the baseline. An important by-product is that ad latent components from COSTCO reveal interesting ad clusters, which are useful for better ad targeting.
• Abstract（参考訳）: 我々は,テンソルモードに沿った共変量情報の存在下で,スパーステンソルを確実に完成することを目指している。 私たちの動機は、さまざまなデバイス上の広告のクリックスルーレート(CTR)が約96%のエントリが欠落し、非欠落エントリに多くのゼロを持っているCTRテンソルを形成するオンライン広告から来ており、スタンドアロンテンソル補完方法は満足できません。 CTRテンソル以外にも、追加の広告機能やユーザー特性がしばしば利用可能です。 本稿では,スパーステンソルの回復のための共変情報を取り入れる共変助スパーステンソル補完(COSTCO)を提案する。 鍵となるアイデアは、テンソルと共変量行列の両方から潜在成分を共同抽出して合成表現を学ぶことである。 理論的には、復元されたテンソル成分の誤差を導出し、共変量による開示確率条件とテンソル回復精度の両方の改善を明示的に定量化する。 最後に、CTRテンソルとアド共変行列からなる広告データセットにCOSTCOを適用し、ベースライン上の23%の精度向上を実現します。 重要な副産物は、COSTCOの広告潜在コンポーネントは、より良い広告ターゲティングに役立つ興味深い広告クラスタを明らかにすることです。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Unlocking Data-free Low-bit Quantization with Matrix Decomposition for KV Cache Compression [87.5604418100301]
  キー値(KV)キャッシングは,大規模言語モデルの推論を高速化する重要な手法である。 既存の手法はしばしば精度を損なうか、キャリブレーションのために余分なデータを必要とする。 テンソル分解法に基づく新しいデータフリー低ビット量子化手法である textbfDecoQuant を導入する。
  論文  参考訳（メタデータ） (2024-05-21T08:35:10Z)
• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• Decomposable Sparse Tensor on Tensor Regression [1.370633147306388]
  テンソル回帰のスパースローランクテンソルを考えると、予測子 $mathcalX$ とレスポンス $mathcalY$ はどちらも高次元テンソルである。 本稿では,契約部と生成部から構成されるステージワイド探索に基づく高速解を提案する。
  論文  参考訳（メタデータ） (2022-12-09T18:16:41Z)
• Tensor Robust PCA with Nonconvex and Nonlocal Regularization [16.15616361268236]
  低ランクデータ回復のための非局所性TRPCA(N-TRPCA)モデルを開発した。 提案したN-TRPCAは,視覚的データ回復において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-04T12:19:39Z)
• Tucker-O-Minus Decomposition for Multi-view Tensor Subspace Clustering [36.790637575875635]
  マルチビュークラスタリングのための新しいテンソル分解法Tucker-O-Minus Decomposition (TOMD)を提案する。 6つのベンチマークデータセットの数値実験により,Fスコア,精度,リコール,正規化相互情報,調整されたランドインデックス,精度の観点から,提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T07:20:22Z)
• Augmented Tensor Decomposition with Stochastic Optimization [46.16865811396394]
  実世界のテンソルデータは、通常高次で、数百万から数十億のエントリを持つ大きな次元を持つ。 テンソル全体を従来のアルゴリズムで分解するのは高価である。 本稿では、データ拡張を効果的に取り入れて下流の分類を向上する拡張テンソル分解を提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:29:05Z)
• MTC: Multiresolution Tensor Completion from Partial and Coarse Observations [49.931849672492305]
  既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。 この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T02:20:03Z)
• Multi-version Tensor Completion for Time-delayed Spatio-temporal Data [50.762087239885936]
  実世界の時間データは、様々なデータ読み込み遅延のために不完全または不正確な場合が多い。 経時的に更新を予測するための低ランクテンソルモデルを提案する。 最良基準法に比べて最大27.2%低いルート平均二乗誤差が得られる。
  論文  参考訳（メタデータ） (2021-05-11T19:55:56Z)
• Low-Rank and Sparse Enhanced Tucker Decomposition for Tensor Completion [3.498620439731324]
  テンソル完備化のために,低ランクかつスパースに拡張されたタッカー分解モデルを導入する。 我々のモデルはスパースコアテンソルを促進するためにスパース正規化項を持ち、テンソルデータ圧縮に有用である。 テンソルに出現する潜在的な周期性と固有相関特性を利用するので,本モデルでは様々な種類の実世界のデータセットを扱うことが可能である。
  論文  参考訳（メタデータ） (2020-10-01T12:45:39Z)

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。