論文の概要: Doing More with Less: Overcoming Data Scarcity for POI Recommendation via Cross-Region Transfer

• arxiv url: http://arxiv.org/abs/2201.06095v1
• Date: Sun, 16 Jan 2022 17:12:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 11:06:23.258073
• Title: Doing More with Less: Overcoming Data Scarcity for POI Recommendation via Cross-Region Transfer
• Title（参考訳）: more with less: cross-region transfer による poi 推奨データ不足の克服
• Authors: Vinayak Gupta and Srikanta Bedathur
• Abstract要約: Axolotlは、データ豊富な領域で学習した位置選好モデルを転送して、データスカース領域におけるレコメンデーションの品質を高めることを目的とした、新しい方法である。 Axolotlは、すべてのメトリクスで既存の最先端メソッドよりも最大18%優れたレコメンデーションパフォーマンスを実現していることを示す。
• 参考スコア（独自算出の注目度）: 9.571588145356277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variability in social app usage across regions results in a high skew of the quantity and the quality of check-in data collected, which in turn is a challenge for effective location recommender systems. In this paper, we present Axolotl (Automated cross Location-network Transfer Learning), a novel method aimed at transferring location preference models learned in a data-rich region to significantly boost the quality of recommendations in a data-scarce region. Axolotl predominantly deploys two channels for information transfer, (1) a meta-learning based procedure learned using location recommendation as well as social predictions, and (2) a lightweight unsupervised cluster-based transfer across users and locations with similar preferences. Both of these work together synergistically to achieve improved accuracy of recommendations in data-scarce regions without any prerequisite of overlapping users and with minimal fine-tuning. We build Axolotl on top of a twin graph-attention neural network model used for capturing the user- and location-conditioned influences in a user-mobility graph for each region. We conduct extensive experiments on 12 user mobility datasets across the U.S., Japan, and Germany, using 3 as source regions and 9 of them (that have much sparsely recorded mobility data) as target regions. Empirically, we show that Axolotl achieves up to 18% better recommendation performance than the existing state-of-the-art methods across all metrics.
• Abstract（参考訳）: 地域ごとのソーシャルアプリ利用のばらつきは、収集されたチェックインデータの量と品質のスキュー化をもたらすため、効果的な位置情報レコメンデータシステムにとって課題となる。 本稿では,データ量の多い領域で学習した位置選好モデルから,データ収集領域におけるレコメンデーションの質を大幅に向上させる新しい手法であるaxolotl(automated cross location-network transfer learning)を提案する。 Axolotlは,(1)位置推薦と社会的予測を用いて学習したメタラーニングに基づく手順,(2)ユーザと位置をまたいだ軽量なクラスタベースのトランスファー,という2つの情報伝達のチャネルを主に展開する。 両者は相乗的に協力して、重複するユーザや最小の微調整を必要とせずに、データ収集領域におけるレコメンデーションの精度を向上させる。 各領域のユーザモビリティグラフにおけるユーザおよびロケーションコンディショニングの影響を捉えるために,2つのグラフアテンションニューラルネットワークモデル上にaxolotlを構築する。 我々は,米国,日本,ドイツにおける12のユーザモビリティデータセットに対して,ソースリージョンとして3つ,ターゲットリージョンとして9つ(あまり記録されていないモビリティデータ)を用いて広範な実験を行った。 経験的に、Axolotlはすべてのメトリクスで既存の最先端メソッドよりも最大18%優れたレコメンデーションパフォーマンスを実現している。

関連論文リスト

• Memory efficient location recommendation through proximity-aware representation [8.505840656442217]
  逐次レコメンデーション(PASR:Sequential Recommendation)のための近接認識型領域表現を提案する。 本稿では,重要サンプリングを用いた新たな損失関数を用いて,最適化時の情報的負のサンプルを強調することで,疎結合問題に対処する。 3つの実世界位置ベースソーシャルネットワーキング(LBSN)データセットを用いて評価を行い,PASRが最先端の逐次位置推薦手法を上回ることを示した。
  論文  参考訳（メタデータ） (2023-10-10T09:53:07Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• CrossLoc: Scalable Aerial Localization Assisted by Multimodal Synthetic Data [2.554905387213586]
  本稿では,合成データを用いて実世界のカメラポーズを推定する視覚的位置決めシステムを提案する。 データ不足を緩和するために,汎用な合成データ生成ツールTOPO-DataGenを導入する。 また、ポーズ推定のためのクロスモーダル視覚表現学習手法であるCrossLocを導入する。
  論文  参考訳（メタデータ） (2021-12-16T18:05:48Z)
• Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
  本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。 本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。 本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-06T14:52:53Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
  GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。 実際には、意味情報はデータから学んだ潜在的な分布によって表現される。 ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-28T09:17:50Z)
• FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing [12.518673970373422]
  データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。 我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。 本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
  論文  参考訳（メタデータ） (2020-03-08T01:51:56Z)

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。