論文の概要: LT-OCF: Learnable-Time ODE-based Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2108.06208v3
• Date: Wed, 18 Aug 2021 05:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-22 14:40:15.340589
• Title: LT-OCF: Learnable-Time ODE-based Collaborative Filtering
• Title（参考訳）: LT-OCF:学習可能な時間ODEベースの協調フィルタリング
• Authors: Jeongwhan Choi, Jinsung Jeon, Noseong Park
• Abstract要約: 協調フィルタリング(CF)は、リコメンデータシステムの長年の問題である。 学習可能時間ODE-based Collaborative Filtering (LT-OCF)を提案する。 我々の手法は既存の方法よりも常に精度が高い。
• 参考スコア（独自算出の注目度）: 4.5100819863628825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Collaborative filtering (CF) is a long-standing problem of recommender systems. Many novel methods have been proposed, ranging from classical matrix factorization to recent graph convolutional network-based approaches. After recent fierce debates, researchers started to focus on linear graph convolutional networks (GCNs) with a layer combination, which show state-of-the-art accuracy in many datasets. In this work, we extend them based on neural ordinary differential equations (NODEs), because the linear GCN concept can be interpreted as a differential equation, and present the method of Learnable-Time ODE-based Collaborative Filtering (LT-OCF). The main novelty in our method is that after redesigning linear GCNs on top of the NODE regime, i) we learn the optimal architecture rather than relying on manually designed ones, ii) we learn smooth ODE solutions that are considered suitable for CF, and iii) we test with various ODE solvers that internally build a diverse set of neural network connections. We also present a novel training method specialized to our method. In our experiments with three benchmark datasets, Gowalla, Yelp2018, and Amazon-Book, our method consistently shows better accuracy than existing methods, e.g., a recall of 0.0411 by LightGCN vs. 0.0442 by LT-OCF and an NDCG of 0.0315 by LightGCN vs. 0.0341 by LT-OCF in Amazon-Book. One more important discovery in our experiments that is worth mentioning is that our best accuracy was achieved by dense connections rather than linear connections.
• Abstract（参考訳）: 協調フィルタリング(CF)は、リコメンダシステムの長年の問題である。 古典行列分解から最近のグラフ畳み込みネットワークに基づくアプローチまで、多くの新しい手法が提案されている。 最近の激しい議論の後、研究者たちは、多くのデータセットで最先端の精度を示す階層の組み合わせによる線形グラフ畳み込みネットワーク(GCN)に注力し始めた。 本稿では、線形GCNの概念を微分方程式として解釈できるため、ニューラル常微分方程式(NODE)に基づいて拡張し、Learningable-Time ODE-based Collaborative Filtering(LT-OCF)を提案する。 提案手法の主な特徴は, 線形GCNをNODE上に再設計した後, i) 手動設計ではなく最適アーキテクチャを学習し, i) CFに適したスムーズなODEソリューションを学習し, iii) 多様なニューラルネットワーク接続を内部的に構築する様々なODEソルバを用いて, テストを行うことである。 また,本手法に特化した新しい訓練方法を提案する。 gowalla,yelp2018,amazon-bookの3つのベンチマークデータセットを用いた実験では,本手法は既存の手法よりも一貫して精度が向上している。例えば, lightgcn による 0.0411 のリコールと lt-ocf による 0.0442 のリコール,amazon-book での lt-ocf による ndcg は 0.0315 である。 言及に値する実験でさらに重要な発見は、我々の最善の精度が線形接続よりも密度の高い接続によって達成されたということです。

関連論文リスト

• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Rendering Wireless Environments Useful for Gradient Estimators: A Zero-Order Stochastic Federated Learning Method [14.986031916712108]
  クロスデバイスフェデレーション学習(FL)は成長する機械学習フレームワークであり、複数のエッジデバイスが協力して、生データを公開せずにモデルをトレーニングする。 学習アルゴリズム自体において、その影響を解析する代わりに、無線チャネルを利用する方法を示す。
  論文  参考訳（メタデータ） (2024-01-30T21:46:09Z)
• Graph Neural Ordinary Differential Equations-based method for Collaborative Filtering [40.39806741673175]
  グラフニューラル正規微分方程式を用いた協調フィルタリング法(GODE-CF)を提案する。 本手法は,GCN層1つまたは2つの層が取得した情報を利用して最終埋め込みを推定する。 提案したGODE-CFモデルは,従来のGCNモデルよりもいくつかの利点があることを示す。
  論文  参考訳（メタデータ） (2023-11-21T03:42:15Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Accelerated Linearized Laplace Approximation for Bayesian Deep Learning [34.81292720605279]
  ニューラルタンジェントカーネル(NTK)に対するNystrom近似を開発し、LLAを加速する。 我々の手法は、フォワードモード自動微分のための人気のあるディープラーニングライブラリの能力から恩恵を受ける。 私たちの方法では、視覚変換器のようなアーキテクチャまでスケールアップできます。
  論文  参考訳（メタデータ） (2022-10-23T07:49:03Z)
• TCT: Convexifying Federated Learning using Bootstrapped Neural Tangent Kernels [141.29156234353133]
  最先端の凸学習手法は、クライアントが異なるデータ分布を持つ場合、集中型よりもはるかにパフォーマンスが劣る。 我々は、この格差は、非NISTityが提示した課題に大きく起因していることを示す。 本稿では,Train-Convexify Neural Network (TCT) 手法を提案する。
  論文  参考訳（メタデータ） (2022-07-13T16:58:22Z)
• MGDCF: Distance Learning via Markov Graph Diffusion for Neural Collaborative Filtering [96.65234340724237]
  現状のGNNベースCFモデルとコンテキスト符号化に基づく従来の1層NRLモデルとの等価性を示す。 マルコフグラフ拡散協調フィルタ (MGDCF) を用いて, 最先端のGNNベースCFモデルを一般化する。
  論文  参考訳（メタデータ） (2022-04-05T17:24:32Z)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• Physics-Based Deep Learning for Fiber-Optic Communication Systems [10.630021520220653]
  非線形シュリンガー方程式(NLSE)により制御される光ファイバー通信システムのための新しい機械学習手法を提案する。 本研究の主目的は,NLSEの数値解法として一般的なスプリットステップ法(SSM)が,深い多層ニューラルネットワークと同じ機能を有することである。 我々は、SSMをパラメータ化し、ニューラルネットワークの重み行列と同様、線形ステップを一般線形関数として見ることにより、この接続を利用する。
  論文  参考訳（メタデータ） (2020-10-27T12:55:23Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。