論文の概要: Proceedings of the 4th Workshop on Online Recommender Systems and User Modeling -- ORSUM 2021

• arxiv url: http://arxiv.org/abs/2201.05156v1
• Date: Wed, 12 Jan 2022 19:20:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 14:37:05.340773
• Title: Proceedings of the 4th Workshop on Online Recommender Systems and User Modeling -- ORSUM 2021
• Title（参考訳）: 第4回オンラインレコメンダシステムとユーザモデリングワークショップの開催報告 -- ORSUM 2021
• Authors: Jo\~ao Vinagre, Al\'ipio M\'ario Jorge, Marie Al-Ghossein, Albert Bifet
• Abstract要約: このワークショップの目的は、コントリビューションを奨励し、研究者や実践者の成長するコミュニティをまとめることである。 現代のオンラインサービスは、非常に高速な速度でデータを継続的に生成します。 オンラインサービスの本質的ダイナミクスに透過的に適応できるオンライン手法を検討することが重要である。
• 参考スコア（独自算出の注目度）: 9.776323787279148
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern online services continuously generate data at very fast rates. This continuous flow of data encompasses content -- e.g., posts, news, products, comments --, but also user feedback -- e.g., ratings, views, reads, clicks --, together with context data -- user device, spatial or temporal data, user task or activity, weather. This can be overwhelming for systems and algorithms designed to train in batches, given the continuous and potentially fast change of content, context and user preferences or intents. Therefore, it is important to investigate online methods able to transparently adapt to the inherent dynamics of online services. Incremental models that learn from data streams are gaining attention in the recommender systems community, given their natural ability to deal with the continuous flows of data generated in dynamic, complex environments. User modeling and personalization can particularly benefit from algorithms capable of maintaining models incrementally and online. The objective of this workshop is to foster contributions and bring together a growing community of researchers and practitioners interested in online, adaptive approaches to user modeling, recommendation and personalization, and their implications regarding multiple dimensions, such as evaluation, reproducibility, privacy and explainability.
• Abstract（参考訳）: 現代のオンラインサービスは、非常に高速な速度でデータを継続的に生成します。 この連続的なデータのフローは、コンテンツ(投稿、ニュース、製品、コメントなど)だけでなく、評価、ビュー、読み込み、クリックといったユーザーからのフィードバックや、コンテキストデータ(ユーザデバイス、空間データ、時間データ、ユーザタスク、アクティビティ、天気など)を含む。 コンテンツ、コンテキスト、ユーザの好み、意図の継続的かつ潜在的に高速な変更を考えると、バッチでトレーニングするように設計されたシステムやアルゴリズムでは、これは圧倒的に多い。 したがって、オンラインサービスの本質的ダイナミクスに透過的に適応できるオンライン手法を検討することが重要である。 データストリームから学習するインクリメンタルモデルは、動的で複雑な環境で生成されたデータの継続的なフローを扱う自然の能力を考えると、レコメンデータシステムコミュニティで注目を集めている。 ユーザーモデリングとパーソナライゼーションは、モデルをインクリメンタルかつオンラインに維持できるアルゴリズムの恩恵を受ける。 本ワークショップの目的は,ユーザのモデリング,レコメンデーション,パーソナライゼーション,評価,再現性,プライバシ,説明可能性といった多面的な側面に対する,オンライン的かつ適応的なアプローチに関心を持つ研究者や実践者のコミュニティを集結させることである。

関連論文リスト

• Personalized Federated Learning with Mixture of Models for Adaptive Prediction and Model Fine-Tuning [22.705411388403036]
  本稿では,新しい個人化フェデレーション学習アルゴリズムを提案する。 各クライアントは、局所的に微調整されたモデルと複数のフェデレートされたモデルを組み合わせることでパーソナライズされたモデルを構築する。 実データセットに関する理論的解析と実験は、このアプローチの有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-10-28T21:20:51Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• User Modeling and User Profiling: A Comprehensive Survey [0.0]
  本稿では,ユーザモデリングとプロファイリング研究の現状,進化,今後の方向性について調査する。 我々は、初期のステレオタイプモデルから最新のディープラーニング技術までの開発をトレースする、歴史的概要を提供する。 また、プライバシ保護技術に対する重要なニーズと、ユーザモデリングアプローチにおける説明可能性と公正性への推進にも対処する。
  論文  参考訳（メタデータ） (2024-02-15T02:06:06Z)
• Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data Programming [77.38174112525168]
  私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
  論文  参考訳（メタデータ） (2022-03-02T19:57:32Z)
• Sparsity-aware neural user behavior modeling in online interaction platforms [2.4036844268502766]
  ユーザ行動モデリングのための一般化可能なニューラル表現学習フレームワークを開発する。 問題設定は、トランスダクティブおよびインダクティブな学習シナリオにまたがる。 ユーザの振る舞いを反映した情報のさまざまな側面を活用して、大規模にパーソナライズされた推論を可能にする。
  論文  参考訳（メタデータ） (2022-02-28T00:27:11Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• Meta-learning using privileged information for dynamics [66.32254395574994]
  Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。 シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
  論文  参考訳（メタデータ） (2021-04-29T12:18:02Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• Fairness-Aware Online Personalization [16.320648868892526]
  個人格付けを含むオンラインパーソナライズ設定における公平性について検討する。 最初に、オンラインパーソナライゼーションが、ユーザが応答に偏っている場合、モデルが不公平に行動することを学ぶことを実証する。 次に、公正な制約の下でパーソナライズされたモデルを学習する問題を定式化し、機械学習におけるバイアスを軽減するための正規化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:16:17Z)
• Evently: Modeling and Analyzing Reshare Cascades with Hawkes Processes [12.558187319452657]
  Eventlyは、オンラインのリシェアカスケード、特にリツイートカスケードをモデリングするためのツールである。 Twitterの公開APIから生データを処理するための、包括的な機能セットを提供する。 コンテンツがオンラインにどのように広がるかに基づいてユーザーを特徴づけることによって、影響力のあるユーザーやオンラインボットを混乱させることが示される。
  論文  参考訳（メタデータ） (2020-06-11T03:13:35Z)

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。