論文の概要: A Simple and Scalable Tensor Completion Algorithm via Latent Invariant
Constraint for Recommendation System
- arxiv url: http://arxiv.org/abs/2206.13355v1
- Date: Mon, 27 Jun 2022 15:03:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 19:14:11.844047
- Title: A Simple and Scalable Tensor Completion Algorithm via Latent Invariant
Constraint for Recommendation System
- Title（参考訳）: Recommendation Systemのための潜時不変制約による簡易かつスケーラブルなテンソル補完アルゴリズム
- Authors: Tung Nguyen, Sang T. Truong, and Jeffrey Uhlmann
- Abstract要約: 本研究では,ユーザ評価の低さを考慮に入れた,観測不能な個人の嗜好に対するモデルのパラメータを効率的に,かつ正確に学習する手法を提案する。
テンソル分解を1つの潜在不変量で正規化することにより、信頼できるレコメンダシステムに対して3つの特性を達成する。
- 参考スコア（独自算出の注目度）: 6.125831939376033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we provide a latent-variable formulation and solution to the
recommender system (RS) problem in terms of a fundamental property that any
reasonable solution should be expected to satisfy. Specifically, we examine a
novel tensor completion method to efficiently and accurately learn parameters
of a model for the unobservable personal preferences that underly user ratings.
By regularizing the tensor decomposition with a single latent invariant, we
achieve three properties for a reliable recommender system: (1) uniqueness of
the tensor completion result with minimal assumptions, (2) unit consistency
that is independent of arbitrary preferences of users, and (3) a consensus
ordering guarantee that provides consistent ranking between observed and
unobserved rating scores. Our algorithm leads to a simple and elegant
recommendation framework that has linear computational complexity and with no
hyperparameter tuning. We provide empirical results demonstrating that the
approach significantly outperforms current state-of-the-art methods.
- Abstract（参考訳）: 本稿では, 妥当な解が満足すべき基本的性質の観点から, 推薦システム (RS) 問題に対する潜在変数の定式化と解を提供する。
具体的には、ユーザ評価の低い観測不能な個人の嗜好に対するモデルのパラメータを効率よく正確に学習する、新しいテンソル補完手法について検討する。
1つの潜在不変量でテンソル分解を正則化することにより,(1) 最小仮定によるテンソル完成結果の一意性,(2) ユーザの任意の選好とは無関係な単位整合性,(3) 観測値と観測値との一貫性のあるランク付けを提供するコンセンサス順序保証,の3つの特性を実現する。
提案アルゴリズムは,線形計算の複雑さとハイパーパラメータチューニングを伴わない,シンプルでエレガントな推薦フレームワークを実現する。
提案手法が現在の最先端手法よりも優れていることを示す実証実験結果を提供する。
関連論文リスト
- Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
最適公正表現はいくつかの有用な構造特性を持つことを示す。
そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
論文 参考訳（メタデータ） (2024-09-26T08:46:48Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - An Inexact Halpern Iteration with Application to Distributionally Robust
Optimization [9.529117276663431]
決定論的および決定論的収束設定におけるスキームの不正確な変種について検討する。
不正確なスキームを適切に選択することにより、(予想される)剰余ノルムの点において$O(k-1)収束率を許容することを示す。
論文 参考訳（メタデータ） (2024-02-08T20:12:47Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - An Admissible Shift-Consistent Method for Recommender Systems [4.706921336764783]
本稿では,リコメンデータシステムにおける行列/テンソル完了問題の解法として,シフト一貫性という新しい制約を提案する。
本手法はいくつかの重要な数学的特性を確実に保証する。
我々の分析は、潜在空間の射影を定義するための構造化された手段を示唆している。
論文 参考訳（メタデータ） (2023-07-17T21:32:51Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Accelerating Certifiable Estimation with Preconditioned Eigensolvers [2.1701691499017812]
多くの最先端 (Burer-Monteiro 因数分解に基づく) 推定手法における主要なコストは、解の検証である。
本稿では,この検証ステップを著しく高速化する方法を示し,検証手法の全体的な高速化について述べる。
事前条件付き固有解法を用いてこの問題に対処する方法を示す。
論文 参考訳（メタデータ） (2022-07-12T02:00:08Z) - Tensor Completion with Provable Consistency and Fairness Guarantees for
Recommender Systems [5.099537069575897]
非負・正の行列とテンソル完備問題を定義・解決するための新しい一貫性に基づくアプローチを導入する。
単一特性/制約: 単位スケールの一貫性を保ち、解の存在を保証し、比較的弱いサポート仮定の下では、一意性を示す。
論文 参考訳（メタデータ） (2022-04-04T19:42:46Z) - SmoothMix: Training Confidence-calibrated Smoothed Classifiers for
Certified Robustness [61.212486108346695]
自己混合によるスムーズな分類器のロバスト性を制御するためのトレーニングスキームSmoothMixを提案する。
提案手法は, 厳密性に制限された原因として, 信頼性の低い, オフクラスに近いサンプルを効果的に同定する。
提案手法はスムーズな分類器の検証値である$ell$-robustnessを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2021-11-17T18:20:59Z) - High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。
そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
論文 参考訳（メタデータ） (2021-06-10T17:54:21Z)
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。