論文の概要: Graph-incorporated Latent Factor Analysis for High-dimensional and Sparse Matrices

• arxiv url: http://arxiv.org/abs/2204.07818v1
• Date: Sat, 16 Apr 2022 15:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 12:37:23.343265
• Title: Graph-incorporated Latent Factor Analysis for High-dimensional and Sparse Matrices
• Title（参考訳）: 高次元およびスパース行列に対するグラフ内蔵潜在因子解析
• Authors: Di Wu, Yi He, Xin Luo
• Abstract要約: 高次元かつスパース(HiDS)行列は、eコマースシステムやソーシャルネットワークサービスシステムのようなビッグデータ関連アプリケーションで頻繁に発生する。 本稿では,HiDS行列上で表現学習を行うために,グラフを組み込んだ潜在因子分析(GLFA)モデルを提案する。 実世界の3つのデータセットの実験結果から、GLFAはHiDS行列の欠落データを予測する6つの最先端モデルより優れていることが示された。
• 参考スコア（独自算出の注目度）: 9.51012204233452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A High-dimensional and sparse (HiDS) matrix is frequently encountered in a big data-related application like an e-commerce system or a social network services system. To perform highly accurate representation learning on it is of great significance owing to the great desire of extracting latent knowledge and patterns from it. Latent factor analysis (LFA), which represents an HiDS matrix by learning the low-rank embeddings based on its observed entries only, is one of the most effective and efficient approaches to this issue. However, most existing LFA-based models perform such embeddings on a HiDS matrix directly without exploiting its hidden graph structures, thereby resulting in accuracy loss. To address this issue, this paper proposes a graph-incorporated latent factor analysis (GLFA) model. It adopts two-fold ideas: 1) a graph is constructed for identifying the hidden high-order interaction (HOI) among nodes described by an HiDS matrix, and 2) a recurrent LFA structure is carefully designed with the incorporation of HOI, thereby improving the representa-tion learning ability of a resultant model. Experimental results on three real-world datasets demonstrate that GLFA outperforms six state-of-the-art models in predicting the missing data of an HiDS matrix, which evidently supports its strong representation learning ability to HiDS data.
• Abstract（参考訳）: eコマースシステムやソーシャルネットワークサービスシステムのようなビッグデータ関連アプリケーションでは、高次元およびスパース(hid)マトリックスが頻繁に発生する。 潜伏した知識やパターンを抽出したいという大きな願望から、高精度な表現学習を行う。 遅延因子分析(LFA)は、観測された成分のみに基づいて低ランクの埋め込みを学習することでHiDS行列を表現するもので、この問題に対する最も効果的かつ効率的なアプローチの一つである。 しかし、既存のLFAベースのモデルの多くは、隠れたグラフ構造を利用せずに直接HiDS行列にそのような埋め込みを実行するため、精度が低下する。 本稿では,グラフを組み込んだ潜在因子分析(GLFA)モデルを提案する。 考え方は2つあります。 1)HiDS行列で記述されたノード間の隠れた高次相互作用(HOI)を特定するグラフを構築し、 2) HOIを組み込んだ繰り返しLFA構造を慎重に設計し, 結果モデルの表現型学習能力を向上させる。 実世界の3つのデータセットの実験結果から、GLFAは、HiDSデータに対する強力な表現学習能力を確実にサポートするHiDS行列の欠落データを予測するために、6つの最先端モデルより優れていることが示された。

関連論文リスト

• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• Disentangled Generative Graph Representation Learning [51.59824683232925]
  本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。 潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-24T05:13:02Z)
• Mini-Hes: A Parallelizable Second-order Latent Factor Analysis Model [8.06111903129142]
  本稿では,LFAモデル構築のためのミニブロック対角ヘシアンフリー(Mini-Hes)最適化を提案する。 実験結果から,Mini-Hesでは,LFAモデルは欠落したデータ推定タスクに対処する上で,いくつかの最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-19T08:43:00Z)
• A Dynamic Linear Bias Incorporation Scheme for Nonnegative Latent Factor Analysis [5.029743143286546]
  HDIデータは、ソーシャルネットワークサービスシステムのようなビッグデータ関連のアプリケーションでよく見られる。 非負の潜在因子分析(NLFA)モデルはこの問題に対処する上で優位性を持つことが証明されている。 本稿では,動的線形バイアス包含方式を革新的に提案する。
  論文  参考訳（メタデータ） (2023-09-19T13:48:26Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Fast Latent Factor Analysis via a Fuzzy PID-Incorporated Stochastic Gradient Descent Algorithm [1.984879854062214]
  勾配降下(SGD)に基づく潜在因子分析モデルは,HDI行列から貴重な情報を抽出するのに極めて有効である。 標準SGDアルゴリズムは、過去の更新情報を考慮せずに、現在のインスタンスエラーの勾配に依存する潜在因子を学習する。 本稿では, ファジィPIDを組み込んだSGDアルゴリズムを2つのアイデアで提案する: 1) 過去の更新情報をPIDの原則に従って効率的な方法で再設計し, 2) ハイパーラーニングを実装し, ファジィ規則に従う適応を得る。
  論文  参考訳（メタデータ） (2023-03-07T14:51:09Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• A Multi-Metric Latent Factor Model for Analyzing High-Dimensional and Sparse data [11.800988109180285]
  高次元およびスパース(HiDS)行列は、様々なビッグデータ関連アプリケーションにおいて一様である。 現在のLFAベースのモデルは、主に、近似ロス関数用に設計された表現戦略が固定され排他的であるシングルメトリック表現に焦点を当てている。 本稿では,Multi-metric Latent Factor (MMLF) モデルを提案する。 提案するMMLFは, 異なる距離空間の集合から一斉に得られるメリットを享受し, HiDS 行列の包括的かつ偏りのない表現を実現する。
  論文  参考訳（メタデータ） (2022-04-16T15:08:00Z)
• A Differential Evolution-Enhanced Latent Factor Analysis Model for High-dimensional and Sparse Data [11.164847043777703]
  本稿では,PLFAモデルにより最適化された潜在因子を改良するための逐次群差分進化(SGDE)アルゴリズムを提案する。 4つのHiDS行列の実験で示されたように、SGDE-PLFAモデルは最先端のモデルよりも優れている。
  論文  参考訳（メタデータ） (2022-04-02T13:41:19Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。