論文の概要: Blockwise Feature Interaction in Recommendation Systems

• arxiv url: http://arxiv.org/abs/2306.15881v1
• Date: Wed, 28 Jun 2023 02:52:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 16:05:23.744160
• Title: Blockwise Feature Interaction in Recommendation Systems
• Title（参考訳）: レコメンデーションシステムにおけるブロックワイズ機能相互作用
• Authors: Weijie Zhao, Ping Li
• Abstract要約: 本稿では,ブロックワイド・フィーチャー・インタラクション(BFI)と呼ばれる新しい手法を提案する。 機能相互作用プロセスを小さなブロックに分割することで、メモリフットプリントと計算負荷の両方を大幅に削減できる。
• 参考スコア（独自算出の注目度）: 21.607059258448594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature interactions can play a crucial role in recommendation systems as they capture complex relationships between user preferences and item characteristics. Existing methods such as Deep & Cross Network (DCNv2) may suffer from high computational requirements due to their cross-layer operations. In this paper, we propose a novel approach called blockwise feature interaction (BFI) to help alleviate this issue. By partitioning the feature interaction process into smaller blocks, we can significantly reduce both the memory footprint and the computational burden. Four variants (denoted by P, Q, T, S, respectively) of BFI have been developed and empirically compared. Our experimental results demonstrate that the proposed algorithms achieves close accuracy compared to the standard DCNv2, while greatly reducing the computational overhead and the number of parameters. This paper contributes to the development of efficient recommendation systems by providing a practical solution for improving feature interaction efficiency.
• Abstract（参考訳）: 機能インタラクションは、ユーザの好みとアイテム特性の複雑な関係を捉えるため、レコメンデーションシステムにおいて重要な役割を果たす。 ディープ・アンド・クロス・ネットワーク(DCNv2)のような既存の手法は、クロス層演算のために高い計算要求に悩まされる可能性がある。 本稿では,この問題を軽減するためにbfi(blockwise feature interaction)と呼ばれる新しい手法を提案する。 機能相互作用プロセスを小さなブロックに分割することで、メモリフットプリントと計算負荷の両方を大幅に削減できる。 BFIの4つの変種(それぞれP, Q, T, S)が開発され、経験的に比較されている。 実験の結果,提案アルゴリズムは標準のDCNv2に比べて精度が良く,計算オーバーヘッドやパラメータ数を大幅に削減できることがわかった。 本稿では,機能相互作用効率向上のための実用的なソリューションを提供することで,効率的なレコメンデーションシステムの開発に寄与する。

関連論文リスト

• Joint Transmit and Pinching Beamforming for PASS: Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• OPAF: Optimized Secure Two-Party Computation Protocols for Nonlinear Activation Functions in Recurrent Neural Network [8.825150825838769]
  本稿では,二者間設定の半正直モデルにおける非線形関数の実装について,特に注目する。 そこで本研究では,分割・対数戦略を用いた指数関数の新しい,効率的なプロトコルを提案する。 次に,Sigmoid と Tanh の対称性を利用し,入力を微調整して2PC 構築ブロックを小さくする。
  論文  参考訳（メタデータ） (2024-03-01T02:49:40Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning [73.19312285906891]
  フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。 近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。 本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T01:35:48Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Collaborative Pure Exploration in Kernel Bandit [29.158502306774523]
  カーネルバンド問題(CoPE-KB)における協調的純粋探索の定式化 限られたコミュニケーションと一般的な報酬関数の下で、マルチエージェントのマルチタスク決定のための新しいモデルを提供する。 我々のアルゴリズムは、計算と通信の効率を同時に達成するために、革新的で効率的なカーネル化推定器を備えている。
  論文  参考訳（メタデータ） (2021-10-29T13:39:14Z)
• Communication-Computation Efficient Device-Edge Co-Inference via AutoML [4.06604174802643]
  デバイスエッジのコ推論は、リソース制約のあるモバイルデバイスとエッジサーバの間のディープニューラルネットワークを分割する。 オンデバイスモデルスパーシリティレベルと中間特徴圧縮比は、ワークロードと通信オーバーヘッドに直接的な影響を与える。 深部強化学習(DRL)に基づく新しい自動機械学習(AutoML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-30T06:36:30Z)

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。