論文の概要: Quick Graph Conversion for Robust Recommendation

• arxiv url: http://arxiv.org/abs/2210.10321v1
• Date: Wed, 19 Oct 2022 06:36:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 15:41:33.497924
• Title: Quick Graph Conversion for Robust Recommendation
• Title（参考訳）: ロバスト勧告のためのクイックグラフ変換
• Authors: Zongwei Wang, Min Gao, Wentao Li
• Abstract要約: インシシットフィードバックはレコメンデータシステムにおいて大きな役割を果たすが、その高雑音特性は、その効果を著しく減少させる。 暗黙のフィードバックを軽視するため、グラフデータ拡張(GDA)手法にいくつかの取り組みが費やされている。 そこで我々は,従来の相互作用グラフを(正のインスタンスに対して)精製し,(負のインスタンスに対して)凝縮した(負のインスタンスに対して)関心グラフに変換するために,新しいデノベーションパラダイム,すなわちクイックグラフ変換(QGrace)を提案する。
• 参考スコア（独自算出の注目度）: 4.7821274471346005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit feedback plays a huge role in recommender systems, but its high noise characteristic seriously reduces its effect. To denoise implicit feedback, some efforts have been devoted to graph data augmentation (GDA) methods. Although the bi-level optimization thought of GDA guarantees better recommendation performance theoretically, it also leads to expensive time costs and severe space explosion problems. Specifically, bi-level optimization involves repeated traversal of all positive and negative instances after each optimization of the recommendation model. In this paper, we propose a new denoising paradigm, i.e., Quick Graph Conversion (QGrace), to effectively transform the original interaction graph into a purified (for positive instances) and densified (for negative instances) interest graph during the recommendation model training process. In QGrace, we leverage the gradient matching scheme based on elaborated generative models to fulfill the conversion and generation of an interest graph, elegantly overcoming the high time and space cost problems. To enable recommendation models to run on interest graphs that lack implicit feedback data, we provide a fine-grained objective function from the perspective of alignment and uniformity. The experimental results on three benchmark datasets demonstrate that the QGrace outperforms the state-of-the-art GDA methods and recommendation models in effectiveness and robustness.
• Abstract（参考訳）: インシシットフィードバックはレコメンデータシステムにおいて大きな役割を果たすが、高雑音特性はその効果を著しく減少させる。 暗黙のフィードバックを軽視するため、グラフデータ拡張(GDA)手法にいくつかの取り組みが費やされている。 GDAの2レベル最適化は、理論上より優れた推奨性能を保証しているが、高コストな時間コストと宇宙爆発の問題につながる。 具体的には、二段階最適化は、レコメンデーションモデルのそれぞれの最適化の後、すべての正および負のインスタンスの繰り返しトラバースを含む。 本稿では,レコメンデーションモデルの学習過程において,元のインタラクショングラフを(正のインスタンスに対して)パーソナライズされた(負のインスタンスに対して)関心グラフに効果的に変換する,新たな分別パラダイム,すなわちクイックグラフ変換(qgrace)を提案する。 QGraceでは、複雑な生成モデルに基づく勾配マッチング方式を利用して、関心グラフの変換と生成を実現し、高時間・空間コストの問題をエレガントに克服する。 暗黙的なフィードバックデータを持たない関心グラフ上でレコメンデーションモデルを実行可能にするために,アライメントと均一性の観点から,詳細な客観的関数を提供する。 3つのベンチマークデータセットの実験結果から、QGraceは最先端のGDA手法や推奨モデルよりも有効性と堅牢性が高いことが示された。

関連論文リスト

• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• ROPO: Robust Preference Optimization for Large Language Models [59.10763211091664]
  外部モデルの助けを借りずにノイズ耐性とノイズサンプルのフィルタリングを統合する反復アライメント手法を提案する。 Mistral-7BとLlama-2-7Bで広く使われている3つのデータセットの実験では、ROPOが既存の嗜好アライメント法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-05T13:58:51Z)
• Fast Optimization of Weighted Sparse Decision Trees for use in Optimal Treatment Regimes and Optimal Policy Design [16.512942230284576]
  本稿では,効率的な重み付き決定木最適化のための3つのアルゴリズムを提案する。 最初のアプローチでは、重み付き損失関数を直接最適化するが、大規模なデータセットでは計算的に非効率である傾向がある。 第二のアプローチは、より効率的にスケールし、重みを整数値に変換し、データ重複を使って重み付けされた決定木最適化問題を非重み付き(より大きい)問題に変換する。 より大きなデータセットにスケールする第3のアルゴリズムは、各データポイントをその重みに比例した確率でサンプリングするランダム化された手順を使用する。
  論文  参考訳（メタデータ） (2022-10-13T08:16:03Z)
• SPR:Supervised Personalized Ranking Based on Prior Knowledge for Recommendation [6.407166061614783]
  本稿では,事前知識に基づくSPR(Supervised Personalized Ranking)という新しい損失関数を提案する。 BPRとは異なり、ユーザ、ポジティブ項目、ネガティブ項目を3倍にするのではなく、提案したSPRは、ユーザ、類似ユーザ、ポジティブ項目、ネガティブ項目を4倍に構成する。
  論文  参考訳（メタデータ） (2022-07-07T10:00:54Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Bayesian Non-stationary Linear Bandits for Large-Scale Recommender Systems [6.009759445555003]
  この問題に対処するために,線形コンテキスト多重武装バンディットフレームワークを構築した。 本研究では,高次元特徴ベクトルを用いた線形帯域問題に対する意思決定ポリシーを開発する。 提案するリコメンデータシステムは,実行環境を最小化しながら,ユーザの項目嗜好をオンラインで学習する。
  論文  参考訳（メタデータ） (2022-02-07T13:51:19Z)
• Predict and Optimize: Through the Lens of Learning to Rank [9.434400627011108]
  ノイズコントラスト推定は、ソリューションキャッシュのランク付けを学習する場合とみなすことができる。 また、最適化問題を解くことなく、閉じた形で区別できるペアワイズとリストワイズランキングの損失関数も開発する。
  論文  参考訳（メタデータ） (2021-12-07T10:11:44Z)
• STORM+: Fully Adaptive SGD with Momentum for Nonconvex Optimization [74.1615979057429]
  本研究では,スムーズな損失関数に対する期待値である非バッチ最適化問題について検討する。 我々の研究は、学習率と運動量パラメータを適応的に設定する新しいアプローチとともに、STORMアルゴリズムの上に構築されている。
  論文  参考訳（メタデータ） (2021-11-01T15:43:36Z)
• A Generalised Inverse Reinforcement Learning Framework [24.316047317028147]
  逆強化学習(英: inverse Reinforcement Learning、IRL)とは、観測された軌跡に基づいて、あるMDPベースの未知のコスト関数を推定することである。 我々は、(最大エントロピー)IRL問題の修正をもたらす将来の状態により多くの重みを与える代替の訓練損失を導入する。 私たちが考案したアルゴリズムは、複数のOpenAIジム環境において、既製のものよりも優れたパフォーマンス(および類似のトラクタビリティ)を示しました。
  論文  参考訳（メタデータ） (2021-05-25T10:30:45Z)
• Regret-Optimal Filtering [57.51328978669528]
  後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。 我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。 3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
  論文  参考訳（メタデータ） (2021-01-25T19:06:52Z)
• Robust Optimal Transport with Applications in Generative Modeling and Domain Adaptation [120.69747175899421]
  ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。 本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。 提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-10-12T17:13:40Z)

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。