論文の概要: Multi-Metric AutoRec for High Dimensional and Sparse User Behavior Data Prediction

• arxiv url: http://arxiv.org/abs/2212.13879v1
• Date: Tue, 20 Dec 2022 12:28:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 14:06:01.144134
• Title: Multi-Metric AutoRec for High Dimensional and Sparse User Behavior Data Prediction
• Title（参考訳）: 高次元・スパースユーザ行動データ予測のためのマルチメトリックオートレク
• Authors: Cheng Liang, Teng Huang, Yi He, Song Deng, Di Wu, Xin Luo
• Abstract要約: 代表的AutoRecに基づくマルチメトリックAutoRec(MMA)を提案する。 MMAは、分散された距離空間の集合から多次元の向きを楽しみ、ユーザデータの包括的な表現を実現する。 MMAは、観測されていないユーザの行動データを予測する際に、他の7つの最先端モデルより優れている。
• 参考スコア（独自算出の注目度）: 10.351592131677018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User behavior data produced during interaction with massive items in the significant data era are generally heterogeneous and sparse, leaving the recommender system (RS) a large diversity of underlying patterns to excavate. Deep neural network-based models have reached the state-of-the-art benchmark of the RS owing to their fitting capabilities. However, prior works mainly focus on designing an intricate architecture with fixed loss function and regulation. These single-metric models provide limited performance when facing heterogeneous and sparse user behavior data. Motivated by this finding, we propose a multi-metric AutoRec (MMA) based on the representative AutoRec. The idea of the proposed MMA is mainly two-fold: 1) apply different $L_p$-norm on loss function and regularization to form different variant models in different metric spaces, and 2) aggregate these variant models. Thus, the proposed MMA enjoys the multi-metric orientation from a set of dispersed metric spaces, achieving a comprehensive representation of user data. Theoretical studies proved that the proposed MMA could attain performance improvement. The extensive experiment on five real-world datasets proves that MMA can outperform seven other state-of-the-art models in predicting unobserved user behavior data.
• Abstract（参考訳）: 重要データ時代の大規模項目とのインタラクション中に生成されたユーザの行動データは、一般的には異種でスパースであり、レコメンダシステム(rs)が発掘すべき下位パターンの多種多様さを残している。 ディープニューラルネットワークベースのモデルは、適合性のためにRSの最先端ベンチマークに到達した。 しかし、先行研究は主に固定損失機能と規制を備えた複雑なアーキテクチャの設計に重点を置いている。 これらのシングルメトリックモデルは、ヘテロジニアスでスパースなユーザー行動データに対して、パフォーマンスが限られている。 そこで本研究では,代表的AutoRecに基づくマルチメトリックAutoRec(MMA)を提案する。 提案されたMMAの考え方は主に2倍である。 1) 損失関数と正規化に対して異なる$L_p$-normを適用し、異なる距離空間で異なる変分モデルを形成する。 2) これらの変種モデルを集約する。 したがって、提案するmmaは分散距離空間の集合から多元的指向を享受し、ユーザデータの包括的表現を実現する。 理論的研究は、提案されたMMAが性能改善を実現することを証明した。 5つの実世界のデータセットに関する広範な実験により、mmaは他の7つの最先端モデルよりも、監視されていないユーザーの振る舞いデータを予測できることが証明された。

関連論文リスト

• When Pedestrian Detection Meets Multi-Modal Learning: Generalist Model and Benchmark Dataset [40.24765100535353]
  本稿では,マルチモーダル知覚のための新しい一般化モデルであるMMPedestronを紹介する。 提案手法は,モーダル表現と融合のための統一エンコーダと,歩行者検出のための汎用ヘッドを備える。 マルチモーダルジョイントトレーニングでは、幅広い歩行者検出ベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-07-14T09:16:49Z)
• ADAPT^2: Adapting Pre-Trained Sensing Models to End-Users via Self-Supervision Replay [22.59061034805928]
  自己教師付き学習は、事前学習モデルに大量のラベルのないデータを活用する方法として登場した。 自己教師型モデルがヘテロジニアス領域で微調整された場合に発生する性能劣化について検討する。 本稿では,自己教師付きモデルをパーソナライズするためのドメイン適応フレームワークADAPT2を提案する。
  論文  参考訳（メタデータ） (2024-03-29T08:48:07Z)
• MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
  ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。 事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。 我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
  論文  参考訳（メタデータ） (2024-03-20T09:17:22Z)
• Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
  比較深部生成モデル(DGM)における識別可能性の理論を提案する。 これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。 また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2024-01-29T06:10:54Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• Generalization and Overfitting in Matrix Product State Machine Learning Architectures [0.0]
  我々はMPSで正確にモデル化できる人工データを構築し、異なる数のパラメータでモデルを訓練する。 我々は1次元データに対するモデルオーバーフィッティングを観察するが、より複雑なデータオーバーフィッティングでは重要度が低く、MNIST画像データではオーバーフィッティングのシグネチャは見つからない。
  論文  参考訳（メタデータ） (2022-08-08T19:13:34Z)
• Fine-grained Retrieval Prompt Tuning [149.9071858259279]
  微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。 学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-29T04:10:04Z)
• RENs: Relevance Encoding Networks [0.0]
  本稿では,遅延空間に先行する自動相対性決定(ARD)を用いて,データ固有のボトルネック次元を学習する新しい確率的VOEベースのフレームワークであるrelevance encoding network (RENs)を提案する。 提案モデルは,サンプルの表現や生成品質を損なうことなく,関連性のあるボトルネック次元を学習することを示す。
  論文  参考訳（メタデータ） (2022-05-25T21:53:48Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。