論文の概要: Application of WGAN-GP in recommendation and Questioning the relevance
of GAN-based approaches
- arxiv url: http://arxiv.org/abs/2204.12527v1
- Date: Tue, 26 Apr 2022 18:22:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 03:06:44.992592
- Title: Application of WGAN-GP in recommendation and Questioning the relevance
of GAN-based approaches
- Title（参考訳）: WGAN-GPの提言とGANアプローチとの関連性への疑問
- Authors: Hichem Ammar Khodja, Oussama Boudjeniba
- Abstract要約: We proposeer system on Wasserstein GAN with Gradient Penalty (WGAN-GP)。
少なくとも精度の観点からは、元のGANの代わりにWGAN-GPを使用するという大きな利点の証拠は見つからない。
また、よく調整された概念上より単純な手法が、GANモデルよりもかなりの差で優れていることを示す簡単な実験も行います。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many neural-based recommender systems were proposed in recent years and part
of them used Generative Adversarial Networks (GAN) to model user-item
interactions. However, the exploration of Wasserstein GAN with Gradient Penalty
(WGAN-GP) on recommendation has received relatively less scrutiny. In this
paper, we focus on two questions: 1- Can we successfully apply WGAN-GP on
recommendation and does this approach give an advantage compared to the best
GAN models? 2- Are GAN-based recommender systems relevant? To answer the first
question, we propose a recommender system based on WGAN-GP called CFWGAN-GP
which is founded on a previous model (CFGAN). We successfully applied our
method on real-world datasets on the top-k recommendation task and the
empirical results show that it is competitive with state-of-the-art GAN
approaches, but we found no evidence of significant advantage of using WGAN-GP
instead of the original GAN, at least from the accuracy point of view. As for
the second question, we conduct a simple experiment in which we show that a
well-tuned conceptually simpler method outperforms GAN-based models by a
considerable margin, questioning the use of such models.
- Abstract（参考訳）: 近年、多くのニューラルベースレコメンデータシステムが提案され、その一部はGAN(Generative Adversarial Networks)を使用してユーザとテムのインタラクションをモデル化している。
しかしながら、WGAN-GP (Gradient Penalty) によるWasserstein GANの勧告による探索は、比較的少ない精査を受けている。
本稿では,WGAN-GPを推薦に適用することは可能か,また,提案手法が優れたGANモデルと比較して有利か,という2つの疑問に焦点をあてる。
2-GANベースのレコメンデーションシステムは関連しているか?
まず,WGAN-GPに基づく推薦システムCFWGAN-GPを提案する。
提案手法をTop-kレコメンデーションタスク上の実世界のデータセットに適用し、実験結果から最先端のGANアプローチと競合することを示すが、少なくとも精度の観点からは、元のGANではなくWGAN-GPを使用するという大きな利点の証拠は見つからなかった。
第2の質問では、よく調整された概念上より単純な手法がGANモデルよりもかなり優れていることを示す簡単な実験を行い、そのようなモデルの使用を疑問視する。
関連論文リスト
- Reward-RAG: Enhancing RAG with Reward Driven Supervision [43.66966457772646]
本稿では、Reward-Driven Supervisionを通じて、Retrieval-Augmented Generation(RAG)モデルを強化するために設計された新しいアプローチであるReward-RAGを紹介する。
従来のRAG手法とは異なり,本手法ではCriticGPTを用いて検索情報を特定の領域に適応させ,専用報酬モデルを訓練する。
この報酬モデルは、RAGを微調整するための合成データセットを生成し、その出力を人間の好みとより密に一致させる。
論文 参考訳（メタデータ） (2024-10-03T15:26:50Z) - A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph [14.12873271435375]
グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションにおいて大きな成功を収めている。
本稿では,GNNをベースとしたレコメンデーションに対する新たな評価視点を提案し,グラフトポロジがレコメンデーション性能に与える影響について検討する。
論文 参考訳（メタデータ） (2024-08-21T16:34:53Z) - Criteria Tell You More than Ratings: Criteria Preference-Aware Light
Graph Convolution for Effective Multi-Criteria Recommendation [5.536402965666082]
我々は,GNN支援MCレコメンデータシステムを設計するための最初の試みを行う。
具体的には,光グラフ畳み込みCPA-LGC法を考案した。
この目的のために、まず、MC評価を拡張二部グラフに変換するMC拡張グラフを構築する。
次に、CPA-LGCは、基準優先意識の能力を強化するために、新しく特徴付けられた埋め込みを取り入れている。
論文 参考訳（メタデータ） (2023-05-30T09:27:36Z) - Neural Multi-network Diffusion towards Social Recommendation [48.5509738327592]
ソーシャルレコメンデーションのための簡潔なマルチネットワークGNNベースニューラルモデル(NeMo)を提案する。
既存の手法と比較して,提案手法は生成的負サンプリング戦略を探索する。
実験によると、NeMoは様々な実世界のベンチマークデータセットで最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2023-04-11T05:53:08Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳（メタデータ） (2023-02-28T14:01:01Z) - Dual Policy Learning for Aggregation Optimization in Graph Neural
Network-based Recommender Systems [4.026354668375411]
本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。
このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。
提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
論文 参考訳（メタデータ） (2023-02-21T09:47:27Z) - GAN-based Matrix Factorization for Recommender Systems [4.162663632560141]
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。
論文 参考訳（メタデータ） (2022-01-20T08:14:29Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-14T00:53:03Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - LightGCN: Simplifying and Powering Graph Convolution Network for
Recommendation [100.76229017056181]
Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。
本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。
我々は,光GCNと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-02-06T06:53:42Z)
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。