論文の概要: User-Specific Bicluster-based Collaborative Filtering: Handling Preference Locality, Sparsity and Subjectivity

• arxiv url: http://arxiv.org/abs/2211.08366v1
• Date: Tue, 15 Nov 2022 18:10:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 16:04:48.423333
• Title: User-Specific Bicluster-based Collaborative Filtering: Handling Preference Locality, Sparsity and Subjectivity
• Title（参考訳）: ユーザ特化ビクラスタに基づく協調フィルタリング--選好の局所性、空間性、主観性を扱う
• Authors: Miguel G. Silva, Rui Henriques, Sara C. Madeira
• Abstract要約: 協調フィルタリング(CF)はRecommender Systemsを構築するための最も一般的なアプローチである。 我々は、強く一貫性があり統計的に有意な評価パターンからユーザ固有のモデルを生成する、BiclusteringベースのCFアプローチであるUSBFCを提案する。 USBFCは最先端のCF手法に対する競合予測精度を実現する。
• 参考スコア（独自算出の注目度）: 1.0398909602421018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative Filtering (CF), the most common approach to build Recommender Systems, became pervasive in our daily lives as consumers of products and services. However, challenges limit the effectiveness of Collaborative Filtering approaches when dealing with recommendation data, mainly due to the diversity and locality of user preferences, structural sparsity of user-item ratings, subjectivity of rating scales, and increasingly high item dimensionality and user bases. To answer some of these challenges, some authors proposed successful approaches combining CF with Biclustering techniques. This work assesses the effectiveness of Biclustering approaches for CF, comparing the impact of algorithmic choices, and identifies principles for superior Biclustering-based CF. As a result, we propose USBFC, a Biclustering-based CF approach that creates user-specific models from strongly coherent and statistically significant rating patterns, corresponding to subspaces of shared preferences across users. Evaluation on real-world data reveals that USBCF achieves competitive predictive accuracy against state-of-the-art CF methods. Moreover, USBFC successfully suppresses the main shortcomings of the previously proposed state-of-the-art biclustering-based CF by increasing coverage, and coclustering-based CF by strengthening subspace homogeneity.
• Abstract（参考訳）: Recommender Systemsを構築するための最も一般的なアプローチであるCollaborative Filtering(CF)は、製品やサービスのコンシューマとして私たちの日常生活に広まりました。 しかし, ユーザの嗜好の多様性と局所性, ユーザ・イテム評価の構造的空間性, 評価尺度の主観性, 項目次元やユーザベースの増加などにより, 推薦データを扱う場合の協調フィルタリング手法の有効性が制限される。 これらの課題に答えるために、一部の著者はcfとバイクラスタ技術を組み合わせた成功したアプローチを提案した。 この研究は、アルゴリズムの選択の影響を比較して、CFに対するBiclusteringアプローチの有効性を評価し、優れたBiclusteringベースのCFの原則を特定する。 その結果,ユーザ間で共有された嗜好のサブスペースに対応する,強い一貫性と統計的に有意な評価パターンからユーザ固有のモデルを生成する,BiclusteringベースのCFアプローチであるUSBFCを提案する。 実世界のデータを評価すると、USBCFは最先端のCF手法に対して競合予測精度を達成していることがわかる。 さらにusbfcは,従来提案されていた最先端のバイクラスタベースcfと,サブスペースの均質性を強化することで,共クラスタベースcfの主な欠点を抑制することに成功した。

関連論文リスト

• Co-clustering for Federated Recommender System [33.70723179405055]
  Federated Recommender System(FRS)は、高品質なレコメンデーションの提供とユーザのプライバシの保護のバランスをとるソリューションを提供する。 パーソナライズされた意思決定パターンによって一般的に観察されるFRSにおける統計的不均一性の存在は、課題を引き起こす可能性がある。 本稿では,Co-clustering Federated RecommendationメカニズムであるCoFedRecを提案する。
  論文  参考訳（メタデータ） (2024-11-03T21:32:07Z)
• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation [60.719158008403376]
  適応的協調フィルタリング(ACF)は、毒殺攻撃に対するレコメンダシステムの堅牢性を高める効果的な戦略として広く認識されている。 実証的な成功にもかかわらず、ACFの有効性を性能と堅牢性の両方の観点から理論的に理解するのは難しい。 我々はPamaCF(Personalized Magnitude Adversarial Collaborative Filtering)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T09:23:14Z)
• Data augmentation and refinement for recommender system: A semi-supervised approach using maximum margin matrix factorization [3.3525248693617207]
  我々は、評価予測のための最大行列因子化(MMMF)のデータ強化と改善の側面について検討する。 我々は、CFアルゴリズムの固有の特性を利用して、個人評価の信頼性レベルを評価する。 自己学習に基づく評価向上のための半教師付きアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-22T17:17:45Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation [7.621960305708476]
  我々はNMF結合因子化に基づく最初の教師なしワンショットフェデレーションCF実装であるFedSPLITを提案する。 FedSPLITは、コミュニケーションの数を大幅に減らすことで、技術の現状と類似した結果を得ることができる(特定の状況では、それよりも優れている)。
  論文  参考訳（メタデータ） (2022-05-04T23:42:14Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)

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。