論文の概要: Local Collaborative Autoencoders
- arxiv url: http://arxiv.org/abs/2103.16103v1
- Date: Tue, 30 Mar 2021 06:26:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 02:16:19.230041
- Title: Local Collaborative Autoencoders
- Title(参考訳): 局所協調型オートエンコーダ
- Authors: Minjin Choi, Yoonki Jeong, Joonseok Lee, and Jongwuk Lee
- Abstract要約: Local Collaborative Autoencoders (LOCA)は、一般化されたローカル潜時因子フレームワークである。
ベースモデルとしてオートエンコーダを採用することで、LOCAは意味のあるユーザとイテムの相互作用を表す潜在非線形パターンをキャプチャする。
実験の結果,locaはスケーラブルであり,いくつかのベンチマークにおいて最先端モデルよりも優れていることが示された。
- 参考スコア(独自算出の注目度): 5.949779668853556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Top-N recommendation is a challenging problem because complex and sparse
user-item interactions should be adequately addressed to achieve high-quality
recommendation results. The local latent factor approach has been successfully
used with multiple local models to capture diverse user preferences with
different sub-communities. However, previous studies have not fully explored
the potential of local models, and failed to identify many small and coherent
sub-communities. In this paper, we present Local Collaborative Autoencoders
(LOCA), a generalized local latent factor framework. Specifically, LOCA adopts
different neighborhood ranges at the training and inference stages. Besides,
LOCA uses a novel sub-community discovery method, maximizing the coverage of a
union of local models and employing a large number of diverse local models. By
adopting autoencoders as the base model, LOCA captures latent non-linear
patterns representing meaningful user-item interactions within sub-communities.
Our experimental results demonstrate that LOCA is scalable and outperforms
state-of-the-art models on several public benchmarks, by 2.99~4.70% in Recall
and 1.02~7.95% in NDCG, respectively.
- Abstract(参考訳): 複雑なユーザとイテムのインタラクションは、高品質なレコメンデーション結果を得るために適切に対処する必要があるため、トップNレコメンデーションは難しい問題である。
ローカル潜在因子アプローチは、複数のローカルモデルで、異なるサブコミュニティで多様なユーザー好みをキャプチャするためにうまく使われてきた。
しかし、以前の研究では、局所的なモデルの可能性を十分に研究しておらず、多くの小規模でコヒーレントなサブコミュニティを特定することができなかった。
本稿では、一般化された局所潜在因子フレームワークであるLocal Collaborative Autoencoders(LOCA)を提案する。
特に、locaは訓練と推論の段階で異なる近隣範囲を採用する。
さらにlocaは、新しいサブコミュニティ発見手法を使用して、ローカルモデルの結合範囲を最大化し、多数の多様なローカルモデルを使用する。
ベースモデルとしてオートエンコーダを採用することで、LOCAはサブコミュニティ内の意味のあるユーザとイテムの相互作用を表す潜在非線形パターンをキャプチャする。
実験の結果,LOCAは複数の公開ベンチマークで2.99~4.70%,NDCGは1.02~7.95%,最先端モデルでは2.99~7.95%,スケーラビリティに優れていた。
関連論文リスト
- SQLNet: Scale-Modulated Query and Localization Network for Few-Shot
Class-Agnostic Counting [71.38754976584009]
CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。
我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。
クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
論文 参考訳(メタデータ) (2023-11-16T16:50:56Z) - Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。
モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
論文 参考訳(メタデータ) (2023-05-23T09:46:54Z) - Locale Encoding For Scalable Multilingual Keyword Spotting Models [8.385848547707953]
局所的特徴連結と特徴量線形変調を持つ2つの局所条件付き普遍モデルを提案する。
FiLMは、類似サイズの単言語KWSモデルと比較して、平均FRRby 61%(相対)で最高の性能を示した。
論文 参考訳(メタデータ) (2023-02-25T02:20:59Z) - Local Sample-weighted Multiple Kernel Clustering with Consensus
Discriminative Graph [73.68184322526338]
マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。
本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。
実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2022-07-05T05:00:38Z) - PRANC: Pseudo RAndom Networks for Compacting deep models [22.793523211040682]
PRANCはディープモデルの大幅なコンパクト化を可能にする。
本研究では,PRANCを用いて画像分類モデルを構築し,関連する暗黙的ニューラルネットワークをコンパクト化することで画像の圧縮を行う。
論文 参考訳(メタデータ) (2022-06-16T22:03:35Z) - Tightly Coupled Learning Strategy for Weakly Supervised Hierarchical
Place Recognition [0.09558392439655011]
本稿では,三重項モデルを学習するための密結合学習(TCL)戦略を提案する。
グローバルデクリプタとローカルデクリプタを組み合わせて、共同最適化を行う。
我々の軽量統一モデルは、いくつかの最先端手法よりも優れている。
論文 参考訳(メタデータ) (2022-02-14T03:20:39Z) - Locality Matters: A Scalable Value Decomposition Approach for
Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。
本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
論文 参考訳(メタデータ) (2021-09-22T10:08:15Z) - Dynamic Multi-scale Convolution for Dialect Identification [18.132769601922682]
本稿では、動的カーネル畳み込み、局所的マルチスケール学習、グローバルなマルチスケールプールからなる動的マルチスケール畳み込みを提案する。
提案アーキテクチャは,言語認識のAP20-OLR-dialect-taskにおいて,最先端のシステムよりも優れていた。
論文 参考訳(メタデータ) (2021-08-02T03:37:15Z) - Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。
私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
論文 参考訳(メタデータ) (2021-07-28T03:46:57Z) - PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and
Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。
PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。
また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文 参考訳(メタデータ) (2020-11-17T17:29:18Z)
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。