論文の概要: GLocal-K: Global and Local Kernels for Recommender Systems

• arxiv url: http://arxiv.org/abs/2108.12184v1
• Date: Fri, 27 Aug 2021 09:05:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 17:00:55.827605
• Title: GLocal-K: Global and Local Kernels for Recommender Systems
• Title（参考訳）: GLocal-K:Recommenderシステムのためのグローバルカーネルとローカルカーネル
• Authors: Soyeon Caren Han, Taejun Lim, Siqu Long, Bernd Burgstaller, Josiah Poon
• Abstract要約: 我々はGlobal-Local Kernelベースの行列補完フレームワークGLocal-Kを提案する。 我々のモデルは、ML-100K、ML-1M、Doubanの3つの協調フィルタリングベンチマークにおいて、最先端のベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 1.2599533416395767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems typically operate on high-dimensional sparse user-item matrices. Matrix completion is a very challenging task to predict one's interest based on millions of other users having each seen a small subset of thousands of items. We propose a Global-Local Kernel-based matrix completion framework, named GLocal-K, that aims to generalise and represent a high-dimensional sparse user-item matrix entry into a low dimensional space with a small number of important features. Our GLocal-K can be divided into two major stages. First, we pre-train an auto encoder with the local kernelised weight matrix, which transforms the data from one space into the feature space by using a 2d-RBF kernel. Then, the pre-trained auto encoder is fine-tuned with the rating matrix, produced by a convolution-based global kernel, which captures the characteristics of each item. We apply our GLocal-K model under the extreme low-resource setting, which includes only a user-item rating matrix, with no side information. Our model outperforms the state-of-the-art baselines on three collaborative filtering benchmarks: ML-100K, ML-1M, and Douban.
• Abstract（参考訳）: レコメンダシステムは、通常、高次元のスパースユーザ-イット行列で動作する。 マトリックスの完成は、何千ものアイテムの小さなサブセットを見た何百万もの他のユーザーに基づいて、興味を予測するための非常に難しいタスクです。 本稿では,高次元スパースなユーザ・イット・マトリックスを少数の重要な特徴を持つ低次元空間に一般化し,表現することを目的とした,glocal-kと呼ばれるグローバル局所カーネルベースのマトリックス補完フレームワークを提案する。 我々のGLocal-Kは2つの主要な段階に分けられる。 まず,局所的なカーネル化重み行列を用いたオートエンコーダを事前学習し,これを2d-RBFカーネルを用いて一空間から特徴空間に変換する。 そして、予め訓練されたオートエンコーダは、各アイテムの特性をキャプチャする畳み込みベースのグローバルカーネルによって生成される格付け行列で微調整される。 当社のglocal-kモデルは,ユーザ項目のレーティングマトリックスのみを含む極端に低リソースな設定で,サイド情報を持たない。 我々のモデルは、ML-100K、ML-1M、Doubanの3つの協調フィルタリングベンチマークで最先端のベースラインを上回っている。

関連論文リスト

• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
  ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。 データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• VoxelKP: A Voxel-based Network Architecture for Human Keypoint Estimation in LiDAR Data [53.638818890966036]
  textitVoxelKPは、LiDARデータにおける人間のキーポイント推定に適した、完全にスパースなネットワークアーキテクチャである。 本研究では,人間の各インスタンス内のキーポイント間の空間的相関を学習するために,スパースボックスアテンションを導入する。 鳥の視線を符号化する2次元格子に3次元ボクセルを投影する際に, 絶対的な3次元座標を利用するために空間符号化を組み込んだ。
  論文  参考訳（メタデータ） (2023-12-11T23:50:14Z)
• Combining Primal and Dual Representations in Deep Restricted Kernel Machines Classifiers [17.031744210104556]
  KPCAの目的と分類レベルを結合したDRKM分類法を提案する。 分類レベルは LSSVM あるいはプリミティブな特徴マップとして定式化でき、レベルとレイヤの深さを組み合わせられる。 開発したアルゴリズムは,高次元データを用いた畳み込みニューラルネットワーク(CNN)よりも少ないメモリで,小さなデータセットから効果的に学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-12T10:39:57Z)
• 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)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端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） (2022-05-21T01:47:17Z)
• Learning in High-Dimensional Feature Spaces Using ANOVA-Based Fast Matrix-Vector Multiplication [0.0]
  カーネル行列は一般に密度が高く大規模である。特徴空間の次元によっては、合理的な時間における全てのエントリの計算さえも難しい課題となる。 そこで我々は,ANOVAカーネルを用いて低次元の特徴空間に基づいて複数のカーネルを構築し,行列ベクトル積を実現する高速アルゴリズムを提案する。 特徴グループ化アプローチに基づいて,カーネルリッジ回帰と事前条件付き共役勾配解法を選択する学習手法に,高速な行列ベクトル積を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-11-19T10:29:39Z)
• Deep Embedded K-Means Clustering [1.5697094704362897]
  主な考え方は、表現学習とクラスタリングが相互に強化できることだ。 本稿では,この2つの疑問に答えるために,DeKM(Deep Embedded K-Means)を提案する。 実世界のデータセットに関する実験結果は、DECMが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-09-30T14:12:59Z)
• Image segmentation via Cellular Automata [58.86475603234583]
  我々は高解像度画像のセグメンテーションを成功させるセルオートマトンを設計し、訓練する。 私たちの最小のオートマトンは、複雑なセグメンテーションタスクを解決するために1万以下のパラメータを使用します。
  論文  参考訳（メタデータ） (2020-08-11T19:04:09Z)
• Meta Matrix Factorization for Federated Rating Predictions [84.69112252208468]
  フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。 フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。 本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
  論文  参考訳（メタデータ） (2019-10-22T16:29:51Z)

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。