論文の概要: GAN-based Matrix Factorization for Recommender Systems

• arxiv url: http://arxiv.org/abs/2201.08042v1
• Date: Thu, 20 Jan 2022 08:14:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 14:51:00.090528
• Title: GAN-based Matrix Factorization for Recommender Systems
• Title（参考訳）: GANに基づくレコメンダシステムの行列分解
• Authors: Ervin Dervishaj and Paolo Cremonesi
• Abstract要約: 本稿では,汎用的なトップNレコメンデーション問題に対する行列分解設定において,ユーザとアイテムの潜在要因を学習する新しいGANベースのアプローチを提案する。 我々は、RSコミュニティでよく知られたデータセットを通じて、我々のモデルであるGANMFを評価し、従来のCFアプローチやGANベースのモデルよりも改善したことを示す。
• 参考スコア（独自算出の注目度）: 4.162663632560141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proposed in 2014, Generative Adversarial Networks (GAN) initiated a fresh interest in generative modelling. They immediately achieved state-of-the-art in image synthesis, image-to-image translation, text-to-image generation, image inpainting and have been used in sciences ranging from medicine to high-energy particle physics. Despite their popularity and ability to learn arbitrary distributions, GAN have not been widely applied in recommender systems (RS). Moreover, only few of the techniques that have introduced GAN in RS have employed them directly as a collaborative filtering (CF) model. In this work we propose a new GAN-based approach that learns user and item latent factors in a matrix factorization setting for the generic top-N recommendation problem. Following the vector-wise GAN training approach for RS introduced by CFGAN, we identify 2 unique issues when utilizing GAN for CF. We propose solutions for both of them by using an autoencoder as discriminator and incorporating an additional loss function for the generator. We evaluate our model, GANMF, through well-known datasets in the RS community and show improvements over traditional CF approaches and GAN-based models. Through an ablation study on the components of GANMF we aim to understand the effects of our architectural choices. Finally, we provide a qualitative evaluation of the matrix factorization performance of GANMF.
• Abstract（参考訳）: 2014年に提案されたGAN(Generative Adversarial Networks)は、ジェネレーティブモデリングに新たな関心を抱き始めた。 彼らはすぐに画像合成、画像から画像への翻訳、テキストから画像への変換、画像のインペインティングの最先端を達成し、医学から高エネルギー粒子物理学まで科学で使われてきた。 任意の分布を学習する能力と人気にもかかわらず、GANは推奨システム(RS)には広く適用されていない。 さらに、RSにGANを導入した技術はごくわずかであり、協調フィルタリング(CF)モデルとして直接採用されている。 本研究では,汎用的トップnレコメンデーション問題に対する行列因子化設定において,ユーザとアイテムの潜在要因を学習する新しいganベースアプローチを提案する。 CFGAN が導入した RS のベクトルワイド GAN トレーニング手法に従えば,GAN をCF に利用する際の2つの特異な問題を特定することができる。 本稿では, 自動エンコーダを判別器として使用し, ジェネレータに損失関数を追加することで, 両者の解決法を提案する。 我々は、RSコミュニティでよく知られたデータセットを通じて、我々のモデルであるGANMFを評価し、従来のCFアプローチやGANベースのモデルよりも改善したことを示す。 GANMFのコンポーネントに関するアブレーション研究を通じて、アーキテクチャ選択の効果を理解することを目指している。 最後に, GANMF の行列分解性能の定性評価を行う。

関連論文リスト

• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation [48.40120035775506]
  Kolmogorov-Arnold Networks (KAN)は、非線形学習可能なアクティベーション関数のスタックを通じてニューラルネットワーク学習を再構築する。 トークン化中間表現であるU-KAN上に専用kan層を統合することにより,確立したU-Netパイプラインを検証,修正,再設計する。 さらに、拡散モデルにおける代替U-Netノイズ予測器としてのU-KANの可能性を探り、タスク指向モデルアーキテクチャの生成にその適用性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T04:13:03Z)
• GIU-GANs: Global Information Utilization for Generative Adversarial Networks [3.3945834638760948]
  本稿では,Involution Generative Adversarial Networks (GIU-GANs) と呼ばれる新しいGANを提案する。 GIU-GANは、Squeeze-and-Excitation Networks (SENet)とInvolutionを統合したGlobal Information utilization (GIU)モジュールと呼ばれる新しいモジュールを利用している。 バッチ正規化(BN)は、ジェネレータがサンプリングしたノイズ間の表現差を必然的に無視し、生成した画質を劣化させる。
  論文  参考訳（メタデータ） (2022-01-25T17:17:15Z)
• An Evaluation Study of Generative Adversarial Networks for Collaborative Filtering [75.83628561622287]
  本研究は、原論文で発表された結果の再現に成功し、CFGANフレームワークと原評価で使用されるモデルとの相違が与える影響について論じる。 この研究は、CFGANと単純でよく知られた適切に最適化されたベースラインの選択を比較した実験的な分析をさらに拡張し、CFGANは高い計算コストにもかかわらず、それらに対して一貫して競合していないことを観察した。
  論文  参考訳（メタデータ） (2022-01-05T20:53:27Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Temporal Collaborative Filtering with Graph Convolutional Neural Networks [21.75176876341124]
  時間的協調フィルタリング(TCF)手法は、推奨システムの背後にある静的でない側面をモデル化することを目的としている。 最近のグラフニューラルネットワーク(GNNベース)アプローチでは、正確なレコメンデーションを提供することでパフォーマンスが向上している。 本稿では,GNNを用いてユーザとアイテムの表現を学習し,RNNを用いて時間的ダイナミクスをモデル化する新しいTCF手法を提案する。
  論文  参考訳（メタデータ） (2020-10-13T14:38:40Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• InfoMax-GAN: Improved Adversarial Image Generation via Information Maximization and Contrastive Learning [39.316605441868944]
  GAN(Generative Adversarial Networks)は、多くのジェネレーティブモデリングアプリケーションの基本である。 本稿では,GANにおける2つの基本的な問題を同時に緩和する基本的枠組みを提案する。 提案手法は, 5つのデータセットにわたる画像合成において, GANトレーニングを著しく安定化し, GAN性能を向上させる。
  論文  参考訳（メタデータ） (2020-07-09T06:56:11Z)
• On Data Augmentation for GAN Training [39.074761323958406]
  本稿では,GANトレーニングにおける拡張データの利用を可能にするために,DAG(Data Augmentation Optimized for GAN)を提案する。 我々は異なるGANモデルにDAGを適用する実験を行う。 いくつかのGANモデルでDAGを使用する場合、システムは最先端のFrechet Inception Distance(FID)スコアを確立する。
  論文  参考訳（メタデータ） (2020-06-09T15:19:26Z)
• Augmentation of the Reconstruction Performance of Fuzzy C-Means with an Optimized Fuzzification Factor Vector [99.19847674810079]
  Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。 本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。 合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-13T04:17:30Z)
• Connecting GANs, MFGs, and OT [4.530876736231948]
  GAN(Generative Adversarial Network)は、画像生成と処理において大きな成功を収めている。 本稿では,平均場ゲーム(MFG)と最適輸送の観点からGANを解析する。
  論文  参考訳（メタデータ） (2020-02-10T22:14:30Z)

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。