論文の概要: SiMCa: Sinkhorn Matrix Factorization with Capacity Constraints
- arxiv url: http://arxiv.org/abs/2203.10107v1
- Date: Fri, 18 Mar 2022 18:02:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 17:20:18.452380
- Title: SiMCa: Sinkhorn Matrix Factorization with Capacity Constraints
- Title（参考訳）: SiMCa:容量制約によるシンクホーンマトリックスの分解
- Authors: Eric Daoud, Luca Ganassali, Antoine Baker, Marc Lelarge
- Abstract要約: 本研究では,ユーザとアイテム間の親和性の両方を潜伏空間に埋め込んだ場合のレコメンデーション問題について検討する。
本稿では, 最適輸送ステップを付加した行列係数化に基づくアルゴリズムを提案し, 観測データからユーザ・イテム親和性をモデル化し, アイテムの埋め込みを学習する。
- 参考スコア（独自算出の注目度）: 6.241630263094724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For a very broad range of problems, recommendation algorithms have been
increasingly used over the past decade. In most of these algorithms, the
predictions are built upon user-item affinity scores which are obtained from
high-dimensional embeddings of items and users. In more complex scenarios, with
geometrical or capacity constraints, prediction based on embeddings may not be
sufficient and some additional features should be considered in the design of
the algorithm. In this work, we study the recommendation problem in the setting
where affinities between users and items are based both on their embeddings in
a latent space and on their geographical distance in their underlying euclidean
space (e.g., $\mathbb{R}^2$), together with item capacity constraints. This
framework is motivated by some real-world applications, for instance in
healthcare: the task is to recommend hospitals to patients based on their
location, pathology, and hospital capacities. In these applications, there is
somewhat of an asymmetry between users and items: items are viewed as static
points, their embeddings, capacities and locations constraining the allocation.
Upon the observation of an optimal allocation, user embeddings, items
capacities, and their positions in their underlying euclidean space, our aim is
to recover item embeddings in the latent space; doing so, we are then able to
use this estimate e.g. in order to predict future allocations. We propose an
algorithm (SiMCa) based on matrix factorization enhanced with optimal transport
steps to model user-item affinities and learn item embeddings from observed
data. We then illustrate and discuss the results of such an approach for
hospital recommendation on synthetic data.
- Abstract（参考訳）: 非常に幅広い問題のために、この10年間にリコメンデーションアルゴリズムがますます使われてきた。
これらのアルゴリズムのほとんどは、アイテムやユーザの高次元埋め込みから得られるユーザ-item親和性スコアに基づいて構築されている。
より複雑なシナリオでは、幾何学的制約や容量的制約があるため、埋め込みに基づく予測は不十分であり、アルゴリズムの設計においていくつかの追加機能を考慮する必要がある。
本研究では,ユーザとアイテムの親和性が潜在空間への埋め込みと,その基礎となるユークリッド空間(例えば,$\mathbb{r}^2$)における地理的距離の両方とアイテム容量の制約の両方に基づいて設定されている場合のレコメンデーション問題について検討する。
このフレームワークは、例えばヘルスケアにおいて、現実のアプリケーションによって動機づけられている:そのタスクは、その場所、病理、および病院の容量に基づいて、患者に病院を推奨することである。
これらのアプリケーションでは、ユーザとアイテムには何らかの非対称性がある。アイテムは静的なポイント、埋め込み、キャパシティ、割り当てを制限する場所と見なされる。
ユークリッド空間における最適配置, ユーザ埋め込み, アイテムの容量, それらの位置を観察すると, 潜在空間におけるアイテム埋め込みを復元することを目的としており, 将来的な割り当てを予測するために, この推定値を利用することができる。
本稿では, 最適輸送ステップを付加した行列因数分解に基づくアルゴリズム(SiMCa)を提案し, 観測データからユーザ・イテム親和性をモデル化し, 項目埋め込みを学習する。
そこで,本研究では,合成データを用いた病院推薦のアプローチの結果を解説し,考察する。
関連論文リスト
- Scalable Dynamic Embedding Size Search for Streaming Recommendation [54.28404337601801]
実世界のレコメンデーションシステムは、しばしばストリーミングレコメンデーションシナリオで機能する。
ユーザやアイテムの数は増加を続けており、かなりのストレージリソース消費につながっている。
SCALLと呼ばれるストリーミングレコメンデーション用のLightweight Embeddingsを学び、ユーザ/イテムの埋め込みサイズを適応的に調整できる。
論文 参考訳（メタデータ） (2024-07-22T06:37:24Z) - Spatial Process Approximations: Assessing Their Necessity [5.8666339171606445]
空間統計学と機械学習では、カーネル行列は予測、分類、最大推定において重要な役割を果たす。
大規模な空間データを管理するための現在の手法のレビューでは、この悪条件問題に対処できないものもあることが示されている。
本稿では,様々な最適性基準を導入し,それぞれに解決策を提供する。
論文 参考訳（メタデータ） (2023-11-06T15:46:03Z) - CARE: Large Precision Matrix Estimation for Compositional Data [9.440956168571617]
合成精度行列の正確な仕様を導入し,その基礎となる行列に関連付ける。
この接続を利用して、スパース基底精度行列を推定する合成正規化推定法(CARE)を提案する。
筆者らの理論は, 同定と推定の間の興味深いトレードオフを明らかにし, 構成データ解析における次元性の祝福を強調する。
論文 参考訳（メタデータ） (2023-09-13T14:20:22Z) - Multicriteria Optimization Techniques for Understanding the Case Mix
Landscape of a Hospital [0.0]
本報告では, 病院における異なる症例混在(PCM)の治療効果について考察する。
ランドスケープの混在をよりよく理解し, キャパシティ利用の観点から最適であるものを特定するために, 改良されたマルチクリテリア最適化(MCO)手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T22:55:48Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - Quantifying Availability and Discovery in Recommender Systems via
Stochastic Reachability [27.21058243752746]
そこで本稿では,ユーザへのコンテンツ推薦の最大確率を定量化するために,到達性に基づく評価手法を提案する。
リーチビリティは、コンテンツの可用性のバイアスを検出し、ユーザに与えられる発見の機会の制限を診断するために使用することができる。
明示的および暗黙的な評価の大規模なデータセットに基づいてトレーニングされた推薦アルゴリズムの評価を示す。
論文 参考訳（メタデータ） (2021-06-30T16:18:12Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - ReliefE: Feature Ranking in High-dimensional Spaces via Manifold
Embeddings [0.0]
リリーフ・ファミリのアルゴリズムは、最も重要で無関係なインスタンスを反復的に計算することで、機能に重要性を割り当てる。
最近の埋め込みベース手法はコンパクトな低次元表現を学習する。
ReliefEアルゴリズムは高速で、機能ランキングが向上する可能性がある。
論文 参考訳（メタデータ） (2021-01-23T20:23:31Z) - Human Preference-Based Learning for High-dimensional Optimization of
Exoskeleton Walking Gaits [55.59198568303196]
この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。
シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。
この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
論文 参考訳（メタデータ） (2020-03-13T22:02:15Z)
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。