論文の概要: One-class Recommendation Systems with the Hinge Pairwise Distance Loss and Orthogonal Representations

• arxiv url: http://arxiv.org/abs/2208.14594v1
• Date: Wed, 31 Aug 2022 02:04:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:37:32.093543
• Title: One-class Recommendation Systems with the Hinge Pairwise Distance Loss and Orthogonal Representations
• Title（参考訳）: Hinge Pairwise Distance Loss と Orthogonal Representation を用いた一級勧告システム
• Authors: Ramin Raziperchikolaei, Young-joo Chung
• Abstract要約: 一流のレコメンデーションシステムでは、少数のユーザとアイテムからモデルを学習することが目的である。 本稿では,モデルトレーニングに類似したセットのみを使用することが目的である。 これらの解を避けるために、文献の目的関数に追加できる2つの項を提案する。
• 参考スコア（独自算出の注目度）: 5.076419064097734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In one-class recommendation systems, the goal is to learn a model from a small set of interacted users and items and then identify the positively-related user-item pairs among a large number of pairs with unknown interactions. Most previous loss functions rely on dissimilar pairs of users and items, which are selected from the ones with unknown interactions, to obtain better prediction performance. This strategy introduces several challenges such as increasing training time and hurting the performance by picking "similar pairs with the unknown interactions" as dissimilar pairs. In this paper, the goal is to only use the similar set to train the models. We point out three trivial solutions that the models converge to when they are trained only on similar pairs: collapsed, partially collapsed, and shrinking solutions. We propose two terms that can be added to the objective functions in the literature to avoid these solutions. The first one is a hinge pairwise distance loss that avoids the shrinking and collapsed solutions by keeping the average pairwise distance of all the representations greater than a margin. The second one is an orthogonality term that minimizes the correlation between the dimensions of the representations and avoids the partially collapsed solution. We conduct experiments on a variety of tasks on public and real-world datasets. The results show that our approach using only similar pairs outperforms state-of-the-art methods using similar pairs and a large number of dissimilar pairs.
• Abstract（参考訳）: 一クラスレコメンデーションシステムでは、対話されたユーザとアイテムの小さなセットからモデルを学習し、未知のインタラクションを持つ多数のペアのうち、肯定的に関連するユーザとイテムのペアを特定する。 これまでの損失関数のほとんどは、未知のインタラクションを持つユーザから選択されたユーザとアイテムの相似ペアに依存して、より良い予測性能を得る。 この戦略では、トレーニング時間の増加や、"未知の相互作用を持つ類似のペア"を類似のペアとして選択することでパフォーマンスを損なうなど、いくつかの課題が導入されている。 本稿では,モデルトレーニングに類似したセットのみを使用することが目的である。 モデルが類似のペアでのみ訓練されたときに収束する3つの自明な解(崩壊、部分的に崩壊、縮小)を指摘する。 これらの解を避けるために,文献の目的関数に追加できる用語を2つ提案する。 1つ目はヒンジの対角距離損失であり、全ての表現の平均対角距離をマージンよりも大きいものにすることで、縮小および崩壊した解を避ける。 2つ目は直交項であり、表現の次元間の相関を最小化し、部分的に崩壊した解を避ける。 公開および実世界のデータセット上で、さまざまなタスクの実験を行います。 その結果, 類似のペアのみを用いた手法は, 類似のペアと多数の異種ペアを用いた最先端手法よりも優れていた。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Harmony in Diversity: Merging Neural Networks with Canonical Correlation Analysis [17.989809995141044]
  相関解析に基づくCCAマージを提案する。 2モデル以上のモデルがマージされた場合、CCAは過去の方法よりもはるかにうまく機能することを示す。
  論文  参考訳（メタデータ） (2024-07-07T14:21:04Z)
• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• Improving Video Retrieval by Adaptive Margin [18.326296132847332]
  ビデオ検索の主流パラダイムは、正の対と負の対の類似性の間の距離を固定辺から切り離すことで、ビデオテキスト表現を学習する。 トレーニングに使用される負のペアはランダムにサンプリングされ、負のペア間のセマンティクスが関連あるいは等価であることを示している。 本稿では、上記の問題を解決するために、正対と負対の距離で変化した適応マージンを提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:07:38Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• Non-contrastive representation learning for intervals from well logs [58.70164460091879]
  石油・ガス産業における表現学習問題は、ログデータに基づく表現を一定間隔で提供するモデルを構築することを目的としている。 可能なアプローチの1つは、自己教師付き学習(SSL)である。 私たちは、よくログするデータのための非コントラストSSLを最初に導入しました。
  論文  参考訳（メタデータ） (2022-09-28T13:27:10Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)

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。