論文の概要: CDR-Adapter: Learning Adapters to Dig Out More Transferring Ability for
Cross-Domain Recommendation Models
- arxiv url: http://arxiv.org/abs/2311.02398v1
- Date: Sat, 4 Nov 2023 13:03:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 17:58:28.546859
- Title: CDR-Adapter: Learning Adapters to Dig Out More Transferring Ability for
Cross-Domain Recommendation Models
- Title（参考訳）: CDR-Adapter: クロスドメイン勧告モデルのための転送能力向上のための学習アダプタ
- Authors: Yanyu Chen, Yao Yao, Wai Kin Victor Chan, Li Xiao, Kai Zhang, Liang
Zhang, Yun Ye
- Abstract要約: クロスドメインレコメンデーション(CDR)は、ソースドメインからの知識を利用して、ターゲットドメインのレコメンデーションパフォーマンスを改善する、有望なソリューションである。
従来のCDRアプローチは主に、知識伝達を促進するためにマッピング関数を学習するEmbedding and Mapping(EMCDR)フレームワークに従ったものだ。
我々は,CDRにおけるデータ分散性やコールドスタート問題に対処する,スケーラブルで効率的なパラダイムであるCDR-Adapterを提案する。
- 参考スコア（独自算出の注目度）: 15.487701831604767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data sparsity and cold-start problems are persistent challenges in
recommendation systems. Cross-domain recommendation (CDR) is a promising
solution that utilizes knowledge from the source domain to improve the
recommendation performance in the target domain. Previous CDR approaches have
mainly followed the Embedding and Mapping (EMCDR) framework, which involves
learning a mapping function to facilitate knowledge transfer. However, these
approaches necessitate re-engineering and re-training the network structure to
incorporate transferrable knowledge, which can be computationally expensive and
may result in catastrophic forgetting of the original knowledge. In this paper,
we present a scalable and efficient paradigm to address data sparsity and
cold-start issues in CDR, named CDR-Adapter, by decoupling the original
recommendation model from the mapping function, without requiring
re-engineering the network structure. Specifically, CDR-Adapter is a novel
plug-and-play module that employs adapter modules to align feature
representations, allowing for flexible knowledge transfer across different
domains and efficient fine-tuning with minimal training costs. We conducted
extensive experiments on the benchmark dataset, which demonstrated the
effectiveness of our approach over several state-of-the-art CDR approaches.
- Abstract（参考訳）: データスパーシリティとコールドスタート問題は、レコメンデーションシステムにおいて永続的な課題である。
クロスドメインレコメンデーション(CDR)は、ソースドメインからの知識を利用して、ターゲットドメインのレコメンデーションパフォーマンスを改善する、有望なソリューションである。
従来のCDRアプローチは主に、知識伝達を促進するためにマッピング関数を学習するEmbedding and Mapping(EMCDR)フレームワークに従ったものだ。
しかし、これらのアプローチは、計算コストが高く、元の知識を壊滅的に忘れてしまう可能性がある、転送可能な知識を組み込むために、ネットワーク構造の再設計と再訓練を必要としている。
本稿では、ネットワーク構造の再設計を必要とせず、元のレコメンデーションモデルをマッピング関数から切り離すことにより、CDRにおけるデータスパーシリティとコールドスタート問題に対処するスケーラブルで効率的なパラダイムを提案する。
具体的には、CDR-Adapterは、アダプタモジュールを使用して特徴表現を整列させ、異なるドメイン間で柔軟な知識伝達を可能にし、トレーニングコストを最小限に抑えた効率的な微調整を可能にする。
ベンチマークデータセットについて広範な実験を行い,最先端cdrアプローチの有効性を実証した。
関連論文リスト
- Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System [28.003142450569452]
CDR(Cross-Domain Recommendation)は、異なるドメインからの知識を活用して、ターゲットのレコメンデーションドメインにおけるデータ空間の問題を軽減する。
現在のほとんどのメソッドはユークリッド空間のユーザやアイテムを表していますが、これは長い尾の分散データを扱うには理想的ではありません。
我々は,各ドメインのユニークな特徴を捉えるために,Hyperbolic Contrastive Learning (HCTS)と呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2024-06-25T05:35:02Z) - Transfer Learning Under High-Dimensional Graph Convolutional Regression Model for Node Classification [20.18595334666282]
グラフ畳み込み多相ロジスティック回帰(GCR)モデルと、トランス-GCRと呼ばれるGCRモデルに基づく伝達学習手法を提案する。
我々は,高次元環境下でのGCRモデルで得られた推定値について理論的に保証する。
論文 参考訳（メタデータ） (2024-05-26T19:30:14Z) - Diffusion Cross-domain Recommendation [0.0]
コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。
まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。
さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
論文 参考訳（メタデータ） (2024-02-03T15:14:51Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - DAFormer: Improving Network Architectures and Training Strategies for
Domain-Adaptive Semantic Segmentation [99.88539409432916]
教師なしドメイン適応(UDA)プロセスについて検討する。
ベンチマーク結果に基づいて,新しい UDA 手法である DAFormer を提案する。
DAFormerは,GTA->Cityscapesの10.8 mIoU,Synthia->Cityscapesの5.4 mIoUにより,最先端の性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-11-29T19:00:46Z) - Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start
Users [31.949188328354854]
クロスドメインレコメンデーション(CDR)は、補助的な(ソース)ドメインからの豊富な情報を使用して、ターゲットドメインにおけるレコメンダシステムの性能を改善する。
トランスファーステージとメタステージを有するCDR(TMCDR)のためのトランスファーメタフレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-11T05:15:53Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳（メタデータ） (2020-10-16T17:45:08Z) - A Deep Framework for Cross-Domain and Cross-System Recommendations [18.97641276417075]
CDR(Cross-Domain Recommendation)とCSR(Cross-System Recommendation)は、レコメンダシステムにおけるデータ空間の問題に対処する、有望なソリューションである。
本稿では,行列因子化(MF)モデルと完全接続型ディープニューラルネットワーク(DNN)に基づく,DCDCSRと呼ばれるクロスドメインおよびクロスシステムレコメンデーションのためのディープフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-14T06:11:17Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z)
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。