論文の概要: Synthetic Data and Simulators for Recommendation Systems: Current State
and Future Directions
- arxiv url: http://arxiv.org/abs/2112.11022v1
- Date: Tue, 21 Dec 2021 07:29:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 14:43:28.487165
- Title: Synthetic Data and Simulators for Recommendation Systems: Current State
and Future Directions
- Title(参考訳): 推薦システムのための合成データとシミュレータ:現状と今後の方向性
- Authors: Adam Lesnikowski, Gabriel de Souza Pereira Moreira, Sara Rabhi, Karl
Byleen-Higley
- Abstract要約: 合成データとシミュレーターは、レコメンデーションシステムの性能と堅牢性を著しく改善する可能性がある。
我々は、過去の研究において、データ忠実性とプライバシとの間の重要なトレードオフを特定し、議論する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic data and simulators have the potential to markedly improve the
performance and robustness of recommendation systems. These approaches have
already had a beneficial impact in other machine-learning driven fields. We
identify and discuss a key trade-off between data fidelity and privacy in the
past work on synthetic data and simulators for recommendation systems. For the
important use case of predicting algorithm rankings on real data from synthetic
data, we provide motivation and current successes versus limitations. Finally
we outline a number of exciting future directions for recommendation systems
that we believe deserve further attention and work, including mixing real and
synthetic data, feedback in dataset generation, robust simulations, and
privacy-preserving methods.
- Abstract(参考訳): 合成データとシミュレーターは、レコメンデーションシステムの性能と堅牢性を著しく改善する可能性がある。
これらのアプローチは、他の機械学習駆動の分野にもすでに有益である。
我々は,過去の合成データとレコメンデーションシステムのためのシミュレータに関する作業において,データ忠実度とプライバシの間の重要なトレードオフを特定し,議論する。
合成データから実データからアルゴリズムのランキングを予測する重要なユースケースのために、モチベーションと現在の成功と限界を提供する。
最後に,実データと合成データの混合,データセット生成におけるフィードバック,ロバストなシミュレーション,プライバシ保存手法など,さらに注目に値するレコメンデーションシステムのためのエキサイティングな今後の方向性について概説する。
関連論文リスト
- Best Practices and Lessons Learned on Synthetic Data for Language Models [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。
合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文 参考訳(メタデータ) (2024-04-11T06:34:17Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - Approximate, Adapt, Anonymize (3A): a Framework for Privacy Preserving
Training Data Release for Machine Learning [3.29354893777827]
データリリースフレームワークである3A(Approximate, Adapt, Anonymize)を導入し、機械学習のデータユーティリティを最大化する。
本稿では,実データセットと民生データセットでトレーニングしたモデルの性能指標の相違が最小限に抑えられることを示す実験的な証拠を示す。
論文 参考訳(メタデータ) (2023-07-04T18:37:11Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳(メタデータ) (2023-04-07T16:38:40Z) - Differentially Private Algorithms for Synthetic Power System Datasets [0.0]
電力システムの研究は、現実世界のネットワークデータセットの可用性に依存している。
データ所有者は、セキュリティとプライバシーのリスクのためにデータを共有することをためらっている。
我々は、最適化と機械学習データセットの合成生成のためのプライバシー保護アルゴリズムを開発する。
論文 参考訳(メタデータ) (2023-03-20T13:38:58Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。
まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。
我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文 参考訳(メタデータ) (2022-06-22T19:33:21Z) - Enabling Synthetic Data adoption in regulated domains [1.9512796489908306]
Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。
特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。
このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
論文 参考訳(メタデータ) (2022-04-13T10:53:54Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳(メタデータ) (2020-08-18T11:44:10Z)
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。