論文の概要: Leaping Through Time with Gradient-based Adaptation for Recommendation

• arxiv url: http://arxiv.org/abs/2112.05914v1
• Date: Sat, 11 Dec 2021 04:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 18:59:17.175005
• Title: Leaping Through Time with Gradient-based Adaptation for Recommendation
• Title（参考訳）: レコメンデーションのためのグラデーションベース適応による時間の跳躍
• Authors: Nuttapong Chairatanakul, Hoang NT, Xin Liu, Tsuyoshi Murata
• Abstract要約: 本稿では,時間的動的問題に対するLeapRecという新しい解を提案する。 LeapRecはグローバル時間跳躍(GTL)と順序時間跳躍(OTL)という2つの相補的コンポーネントによって時間ダイナミクスを特徴づける 実験の結果、LeapRecはいくつかのデータセットやレコメンデーションメトリクスで最先端の手法を一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 5.821090056678976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern recommender systems are required to adapt to the change in user preferences and item popularity. Such a problem is known as the temporal dynamics problem, and it is one of the main challenges in recommender system modeling. Different from the popular recurrent modeling approach, we propose a new solution named LeapRec to the temporal dynamic problem by using trajectory-based meta-learning to model time dependencies. LeapRec characterizes temporal dynamics by two complement components named global time leap (GTL) and ordered time leap (OTL). By design, GTL learns long-term patterns by finding the shortest learning path across unordered temporal data. Cooperatively, OTL learns short-term patterns by considering the sequential nature of the temporal data. Our experimental results show that LeapRec consistently outperforms the state-of-the-art methods on several datasets and recommendation metrics. Furthermore, we provide an empirical study of the interaction between GTL and OTL, showing the effects of long- and short-term modeling.
• Abstract（参考訳）: 現代の推薦システムは、ユーザの好みやアイテムの人気の変化に適応するために必要である。 このような問題は時間力学問題として知られており、システムモデリングを推奨する主な課題の1つである。 本稿では,時間依存のモデル化にトラジェクトリに基づくメタラーニングを用いることで,時間的動的問題に対するLeapRecという新しい解を提案する。 LeapRecは、グローバル時間跳躍(GTL)と順序時間跳躍(OTL)という2つの補完的なコンポーネントによって、時間ダイナミクスを特徴付ける。 設計により、GTLは、順序のない時間データ間で最も短い学習経路を見つけることによって、長期的なパターンを学習する。 協調的に、otlは時間データの逐次的性質を考慮して短期パターンを学習する。 実験の結果、LeapRecはいくつかのデータセットやレコメンデーションメトリクスで最先端の手法を一貫して上回っていることがわかった。 さらに,GTLとOTLの相互作用に関する実証的研究を行い,長期的および短期的モデリングの効果を示した。

関連論文リスト

• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• TCGL: Temporal Contrastive Graph for Self-supervised Video Representation Learning [79.77010271213695]
  本稿では,TCGL(Temporal Contrastive Graph Learning)という,ビデオの自己教師型学習フレームワークを提案する。 TCGLは、フレームとスニペットの順序に関する以前の知識をグラフ構造、すなわち、インター/インタースニペットの時間トラストグラフ(TCG)に統合します。 ラベルなしビデオの監視信号を生成するために,適応スニペット順序予測(ASOP)モジュールを導入する。
  論文  参考訳（メタデータ） (2021-12-07T09:27:56Z)
• Training for the Future: A Simple Gradient Interpolation Loss to Generalize Along Time [26.261277497201565]
  いくつかの実世界のアプリケーションでは、機械学習モデルがデプロイされ、時間とともに分布が徐々に変化するデータの予測を行う。 本稿では,時間に敏感なパラメータを持つモデルから始める単純な手法を提案する。
  論文  参考訳（メタデータ） (2021-08-15T11:20:10Z)
• Time Adaptive Gaussian Model [0.913755431537592]
  我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。 時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
  論文  参考訳（メタデータ） (2021-02-02T00:28:14Z)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。