論文の概要: Efficient Data-specific Model Search for Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2106.07453v1
- Date: Mon, 14 Jun 2021 14:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 22:01:29.954891
- Title: Efficient Data-specific Model Search for Collaborative Filtering
- Title(参考訳): 協調フィルタリングのための効率的なデータ固有モデル探索
- Authors: Chen Gao and Quanming Yao and Depeng Jin and Yong Li
- Abstract要約: 協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。
本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。
ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
- 参考スコア(独自算出の注目度): 56.60519991956558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative filtering (CF), as a fundamental approach for recommender
systems, is usually built on the latent factor model with learnable parameters
to predict users' preferences towards items. However, designing a proper CF
model for a given data is not easy, since the properties of datasets are highly
diverse. In this paper, motivated by the recent advances in automated machine
learning (AutoML), we propose to design a data-specific CF model by AutoML
techniques. The key here is a new framework that unifies state-of-the-art
(SOTA) CF methods and splits them into disjoint stages of input encoding,
embedding function, interaction function, and prediction function. We further
develop an easy-to-use, robust, and efficient search strategy, which utilizes
random search and a performance predictor for efficient searching within the
above framework. In this way, we can combinatorially generalize data-specific
CF models, which have not been visited in the literature, from SOTA ones.
Extensive experiments on five real-world datasets demonstrate that our method
can consistently outperform SOTA ones for various CF tasks. Further experiments
verify the rationality of the proposed framework and the efficiency of the
search strategy. The searched CF models can also provide insights for exploring
more effective methods in the future
- Abstract(参考訳): コラボレーティブフィルタリング(cf、collaborative filtering)は、レコメンダシステムの基本アプローチとして、学習可能なパラメータを持つ潜在因子モデルに基づいて、アイテムに対するユーザの好みを予測する。
しかし、データセットの特性は非常に多様であるため、与えられたデータに対する適切なcfモデルの設計は容易ではない。
本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルをAutoML技術により設計することを提案する。
ここでのキーは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、相互作用関数、予測関数の非結合ステージに分割する新しいフレームワークである。
さらに, ランダム検索と性能予測器を用いて, より使いやすく, 堅牢で, 効率的な検索戦略を構築した。
このようにして、文献にないデータ固有のcfモデルをsomaモデルから組合せ的に一般化することができる。
5つの実世界のデータセットに対する大規模な実験により、我々の手法は様々なCFタスクにおいてSOTAよりも一貫して優れていることが示された。
さらに,提案手法の合理性と探索戦略の効率性を検証する実験を行った。
検索されたCFモデルは、将来より効果的な方法を探究するための洞察を提供することができる
関連論文リスト
- Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - A PSO Based Method to Generate Actionable Counterfactuals for High
Dimensional Data [3.0320603363468845]
粒子群最適化(PSO)に基づく効率的で実用的な逆ファクトアル(CF)生成法について述べる。
これらの特徴を組み込んだアルゴリズムが提案され、生成されたCFの近接特性と疎性特性をより制御できる。
論文 参考訳(メタデータ) (2023-09-30T18:08:00Z) - Efficient and Joint Hyperparameter and Architecture Search for
Collaborative Filtering [31.25094171513831]
協調フィルタリングモデルのための2段階探索アルゴリズムを提案する。
最初の段階では、サブサンプルデータセットからの知識を活用して評価コストを削減します。
第2段階では、データセット全体の上位候補モデルを効率的に微調整する。
論文 参考訳(メタデータ) (2023-07-12T10:56:25Z) - Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。
CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。
単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文 参考訳(メタデータ) (2023-05-18T16:28:29Z) - Multidimensional Item Response Theory in the Style of Collaborative
Filtering [0.8057006406834467]
本稿では,多次元項目応答理論(MIRT)に対する機械学習手法を提案する。
協調フィルタリングに触発されて、多くのMIRTモデルを含むモデルの一般的なクラスを定義します。
本稿では, 個人モデルとクロスバリデーションを推定し, 最適動作モデルを選択するために, ペナル化結合最大度(JML)の使用について論じる。
論文 参考訳(メタデータ) (2023-01-03T00:56:27Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - DualCF: Efficient Model Extraction Attack from Counterfactual
Explanations [57.46134660974256]
クラウドサービスプロバイダがMachine-Learning-as-a-Serviceプラットフォームをローンチした。
このような余分な情報は、必然的にクラウドモデルが、抽出攻撃に対してより脆弱になる。
本稿では,分類モデルを盗むためのクエリ効率を大幅に向上させる,新しい単純で効率的なクエリ手法を提案する。
論文 参考訳(メタデータ) (2022-05-13T08:24:43Z) - ReLACE: Reinforcement Learning Agent for Counterfactual Explanations of
Arbitrary Predictive Models [6.939617874336667]
本稿では,最適対実的説明を生成するためのモデルに依存しないアルゴリズムを提案する。
本手法は,DRLエージェントが相互作用する環境に類似するため,任意のブラックボックスモデルに容易に適用できる。
さらに,DRLエージェントのポリシーから説明可能な決定ルールを抽出し,CF自体を透過的に生成するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-10-22T17:08:49Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural
Architecture Search [9.634626241415916]
リンク予測は、知識グラフ(KG)におけるエンティティ間の欠落した接続を予測するタスクである
これまでの研究では、Automated Machine Learning(AutoML)を使用して、データセットに最適なモデルを探していた。
リンク予測タスクのための新しいニューラルネットワーク探索(NAS)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-18T03:34:09Z)
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。