論文の概要: Sparsity-aware neural user behavior modeling in online interaction platforms

• arxiv url: http://arxiv.org/abs/2202.13491v1
• Date: Mon, 28 Feb 2022 00:27:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 08:32:53.209855
• Title: Sparsity-aware neural user behavior modeling in online interaction platforms
• Title（参考訳）: オンラインインタラクションプラットフォームにおけるsparsity-aware neural user behavior modeling
• Authors: Aravind Sankar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4036844268502766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern online platforms offer users an opportunity to participate in a variety of content-creation, social networking, and shopping activities. With the rapid proliferation of such online services, learning data-driven user behavior models is indispensable to enable personalized user experiences. Recently, representation learning has emerged as an effective strategy for user modeling, powered by neural networks trained over large volumes of interaction data. Despite their enormous potential, we encounter the unique challenge of data sparsity for a vast majority of entities, e.g., sparsity in ground-truth labels for entities and in entity-level interactions (cold-start users, items in the long-tail, and ephemeral groups). In this dissertation, we develop generalizable neural representation learning frameworks for user behavior modeling designed to address different sparsity challenges across applications. Our problem settings span transductive and inductive learning scenarios, where transductive learning models entities seen during training and inductive learning targets entities that are only observed during inference. We leverage different facets of information reflecting user behavior (e.g., interconnectivity in social networks, temporal and attributed interaction information) to enable personalized inference at scale. Our proposed models are complementary to concurrent advances in neural architectural choices and are adaptive to the rapid addition of new applications in online platforms.
• Abstract（参考訳）: 現代のオンラインプラットフォームは、ユーザーが様々なコンテンツ作成、ソーシャルネットワーク、ショッピング活動に参加する機会を提供する。 このようなオンラインサービスの急速な普及に伴い、データ駆動のユーザー行動モデルの学習は、パーソナライズされたユーザーエクスペリエンスを実現するために不可欠である。 近年,大量のインタラクションデータをトレーニングしたニューラルネットワークを活用したユーザモデリングの効果的な手法として表現学習が登場している。 巨大な可能性にも関わらず、エンティティやエンティティレベルのインタラクション(コールドスタートユーザ、ロングテールのアイテム、短命グループなど)において、ほとんどのエンティティに対してデータスパーシティというユニークな課題に遭遇します。 本論文では,アプリケーション間の疎性問題に対処するために,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。 我々の問題設定は、トレーニング中に見られるトランスダクティブ学習モデルと、推論時にのみ観察されるエンティティを対象とするトランスダクティブ学習シナリオとインダクティブ学習シナリオにまたがる。 ユーザの振る舞いを反映するさまざまな情報(例えばソーシャルネットワークにおける相互接続性、時間的および属性的相互作用情報)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。 提案するモデルは,ニューラルなアーキテクチャ選択の同時進行を補完するものであり,オンラインプラットフォームにおける新しいアプリケーションの迅速な追加に対応する。

関連論文リスト

• InFiConD: Interactive No-code Fine-tuning with Concept-based Knowledge Distillation [18.793275018467163]
  本稿では,知識蒸留プロセスの実装に視覚的概念を活用する新しいフレームワークであるInFiConDを提案する。 本研究では,概念コーパスからテキストに沿った視覚概念を抽出し,新しい知識蒸留パイプラインを構築する。 InFiConDのインタフェースは、ユーザインタフェース内で概念の影響を直接操作することで、対話的に学生モデルを微調整することができる。
  論文  参考訳（メタデータ） (2024-06-25T16:56:45Z)
• Online Training of Large Language Models: Learn while chatting [23.995637621755083]
  本稿では,「外部インタラクションを用いたオンライントレーニング」という新たなインタラクションパラダイムを紹介し,永続的かつリアルタイムなモデル更新と個人のカスタマイズの柔軟性を融合させる。
  論文  参考訳（メタデータ） (2024-03-04T10:00:55Z)
• Foundation Models for Decision Making: Problems, Methods, and Opportunities [124.79381732197649]
  大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。 ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。 基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
  論文  参考訳（メタデータ） (2023-03-07T18:44:07Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)
• Opportunistic Federated Learning: An Exploration of Egocentric Collaboration for Pervasive Computing Applications [20.61034787249924]
  我々は、異なるユーザに属する個々のデバイスが堅牢なモデルを学ぶための新しいアプローチ、機会論的フェデレーションラーニングを定義する。 本稿では,このようなアプローチの実現可能性と限界を考察し,出会い型ペアワイド協調学習を支援する枠組みを策定する。
  論文  参考訳（メタデータ） (2021-03-24T15:30:21Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

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。