論文の概要: HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization

• arxiv url: http://arxiv.org/abs/2204.08176v1
• Date: Mon, 18 Apr 2022 06:11:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 15:50:26.772085
• Title: HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization
• Title（参考訳）: HRCF:双曲幾何正規化による協調フィルタリングの強化
• Authors: Menglin Yang, Min Zhou, Jiahong Liu, Defu Lian, Irwin King
• Abstract要約: HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
• 参考スコア（独自算出の注目度）: 52.369435664689995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In large-scale recommender systems, the user-item networks are generally scale-free or expand exponentially. The latent features (also known as embeddings) used to describe the user and item are determined by how well the embedding space fits the data distribution. Hyperbolic space offers a spacious room to learn embeddings with its negative curvature and metric properties, which can well fit data with tree-like structures. Recently, several hyperbolic approaches have been proposed to learn high-quality representations for the users and items. However, most of them concentrate on developing the hyperbolic similitude by designing appropriate projection operations, whereas many advantageous and exciting geometric properties of hyperbolic space have not been explicitly explored. For example, one of the most notable properties of hyperbolic space is that its capacity space increases exponentially with the radius, which indicates the area far away from the hyperbolic origin is much more embeddable. Regarding the geometric properties of hyperbolic space, we bring up a \textit{Hyperbolic Regularization powered Collaborative Filtering} (HRCF) and design a geometric-aware hyperbolic regularizer. Specifically, the proposal boosts optimization procedure via the root alignment and origin-aware penalty, which is simple yet impressively effective. Through theoretical analysis, we further show that our proposal is able to tackle the over-smoothing problem caused by hyperbolic aggregation and also brings the models a better discriminative ability. We conduct extensive empirical analysis, comparing our proposal against a large set of baselines on several public benchmarks. The empirical results show that our approach achieves highly competitive performance and surpasses both the leading Euclidean and hyperbolic baselines by considerable margins. Further analysis verifies ...
• Abstract（参考訳）: 大規模レコメンデーションシステムでは、ユーザテーマネットワークは一般にスケールフリーか指数関数的に拡張される。 ユーザとアイテムを記述するために使用される潜伏的特徴(埋め込みとも呼ばれる)は、埋め込み空間がデータの分散にどの程度うまく適合するかによって決定される。 双曲空間は、その負の曲率と計量特性で埋め込みを学ぶための広い空間を提供する。 近年,ユーザやアイテムの質の高い表現を学ぶための双曲的手法が提案されている。 しかし、それらの多くは適切な射影演算を設計することで双曲的同時性の開発に集中しているが、双曲的空間の多くの有利でエキサイティングな幾何学的性質は明らかには明らかにされていない。 例えば、双曲空間の最も重要な性質の1つは、その容量空間が半径とともに指数関数的に増加することである。 双曲空間の幾何学的性質については, HRCF (textit{Hyperbolic Regularization powered Collaborative Filtering}) を導入し, 幾何対応双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによって最適化手順が促進される。 理論的解析により,本提案では,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上することを示した。 我々は,いくつかの公開ベンチマークにおいて,提案手法を多数のベースラインと比較し,広範な実証分析を行う。 実験結果から,我々のアプローチは高い競合性能を達成し,有意な差で有意なユークリッドベースラインと双曲線ベースラインを上回った。 さらなる分析は...検証する。

関連論文リスト

• Hyperbolic Fine-tuning for Large Language Models [56.54715487997674]
  本研究では,大規模言語モデル(LLM)の非ユークリッド的特徴について検討する。 トークン埋め込みは高い双曲性を示し,埋め込み空間に木のような構造が潜んでいることを示す。 双曲的低ランク効率微調整法HypLoRAを導入し, 双曲的多様体上で直接低ランク適応を行う。
  論文  参考訳（メタデータ） (2024-10-05T02:58:25Z)
• Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
  双曲空間におけるデータセットの比較のための類似度スコアを提案する。 中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。 人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-12T17:14:58Z)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• HICF: Hyperbolic Informative Collaborative Filtering [35.26872278129825]
  ハイパーボリック空間は、パワーローな分散ユーザイテムネットワークを記述するのに適している。 双曲型モデルでは,どの項目が効果的に推奨できるのか,どの項目が推奨できないのかは明らかでない。 本稿では,見出し項目の推薦効率を補うために,ハイカルボリック・コラボレーティブ・フィルタ(HICF)という新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T03:45:38Z)
• Provably Accurate and Scalable Linear Classifiers in Hyperbolic Spaces [39.71927912296049]
  スケーラブルで単純な双曲型線形分類器を学習するための統一的なフレームワークを提案する。 我々のアプローチの要点は、ポアンカーの球体モデルに焦点を合わせ、接空間形式を用いて分類問題を定式化することである。 Poincarの2階と戦略的パーセプトロンの優れた性能は、提案フレームワークが双曲空間における一般的な機械学習問題にまで拡張可能であることを示している。
  論文  参考訳（メタデータ） (2022-03-07T21:36:21Z)
• Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems [30.32394422015953]
  本稿では,レコメンデーションシステムにおいて,双曲空間と双曲埋め込みをいつ,どこで使用するかに関する理論的解析と実験結果を提供する。 我々は、異なる潜在空間モデル上でのユークリッド空間と双曲空間の性能を比較することで、回答を評価する。 本稿では,SCML とハイパーボリックバージョン HSCML という,メトリクス学習に基づく推薦手法を提案する。
  論文  参考訳（メタデータ） (2021-05-19T03:46:41Z)
• Hyperbolic Manifold Regression [33.40757136529844]
  本稿では,多くの機械学習応用の中間要素として,双曲空間上で多様体値回帰を行うという問題を考察する。 本稿では,1)ラベル埋め込みによる階層的分類,2)双曲表現の分類的拡張の2つの課題に対する新しい視点を提案する。 実験の結果,双曲幾何学の活用戦略は有望であることが示唆された。
  論文  参考訳（メタデータ） (2020-05-28T10:16:30Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。