論文の概要: Diffusion Cross-domain Recommendation
- arxiv url: http://arxiv.org/abs/2402.02182v1
- Date: Sat, 3 Feb 2024 15:14:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 21:53:43.434791
- Title: Diffusion Cross-domain Recommendation
- Title（参考訳）: 拡散クロスドメイン勧告
- Authors: Yuner Xuan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is always a challenge for recommender systems to give high-quality
outcomes to cold-start users. One potential solution to alleviate the data
sparsity problem for cold-start users in the target domain is to add data from
the auxiliary domain. Finding a proper way to extract knowledge from an
auxiliary domain and transfer it into a target domain is one of the main
objectives for cross-domain recommendation (CDR) research. Among the existing
methods, mapping approach is a popular one to implement cross-domain
recommendation models (CDRs). For models of this type, a mapping module plays
the role of transforming data from one domain to another. It primarily
determines the performance of mapping approach CDRs. Recently, diffusion
probability models (DPMs) have achieved impressive success for image synthesis
related tasks. They involve recovering images from noise-added samples, which
can be viewed as a data transformation process with outstanding performance. To
further enhance the performance of CDRs, we first reveal the potential
connection between DPMs and mapping modules of CDRs, and then propose a novel
CDR model named Diffusion Cross-domain Recommendation (DiffCDR). More
specifically, we first adopt the theory of DPM and design a Diffusion Module
(DIM), which generates user's embedding in target domain. To reduce the
negative impact of randomness introduced in DIM and improve the stability, we
employ an Alignment Module to produce the aligned user embeddings. In addition,
we consider the label data of the target domain and form the task-oriented loss
function, which enables our DiffCDR to adapt to specific tasks. By conducting
extensive experiments on datasets collected from reality, we demonstrate the
effectiveness and adaptability of DiffCDR to outperform baseline models on
various CDR tasks in both cold-start and warm-start scenarios.
- Abstract（参考訳）: コールドスタートユーザーに高品質な結果を提供することは、レコメンダシステムにとって常に課題である。
ターゲットドメインのコールドスタートユーザにとって、データ空間の問題を軽減するための潜在的な解決策は、補助ドメインからのデータを追加することである。
補助ドメインから知識を抽出して対象ドメインに転送する適切な方法を見つけることは、クロスドメインレコメンデーション(CDR)研究の主要な目的の1つである。
既存の手法の中で、マッピングアプローチはクロスドメインレコメンデーションモデル(CDR)を実装するのに人気がある。
このタイプのモデルの場合、マッピングモジュールは、あるドメインから別のドメインへデータを変換する役割を担います。
主に、マッピングアプローチのCDRの性能を決定する。
近年,拡散確率モデル (dpms) は画像合成関連課題において大きな成功を収めている。
ノイズ付加サンプルからのイメージの復元を伴い、優れたパフォーマンスを持つデータ変換プロセスと見なすことができる。
CDRの性能をさらに向上するため、まずDPMとCDRのマッピングモジュールとの潜在的な接続を明らかにし、次に拡散クロスドメイン勧告(DiffCDR)と呼ばれる新しいCDRモデルを提案する。
具体的には、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。
dimに導入されたランダムネスの悪影響を低減し、安定性を向上させるため、アライメントモジュールを用いてアライメントユーザ埋め込みを生成する。
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。
現実から収集したデータセットに関する広範な実験を行うことで、冷間開始シナリオと暖間開始シナリオの両方において、様々なCDRタスクのベースラインモデルを上回る性能と適応性を示す。
関連論文リスト
- Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。
我々は、グラフ畳み込み層を異なるドメイン間のモデル関係に適用する、エンドツーエンドのヘテロジニアスネットワークアーキテクチャであるHGDRを提案する。
実世界のデータセットとオンラインA/Bテストの実験により,提案したモデルがドメイン間の情報を効果的に伝達し,SOTAの性能に到達できることが証明された。
論文 参考訳（メタデータ） (2024-07-01T02:27:54Z) - Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。
本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-05T09:19:54Z) - CDR-Adapter: Learning Adapters to Dig Out More Transferring Ability for
Cross-Domain Recommendation Models [15.487701831604767]
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。
論文 参考訳（メタデータ） (2023-11-04T13:03:24Z) - Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳（メタデータ） (2023-09-25T15:56:01Z) - AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。
提案手法は,複数のベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-09-22T10:23:40Z) - Disentangled Modeling of Domain and Relevance for Adaptable Dense
Retrieval [54.349418995689284]
本稿では,Dense Retrieval (DDR) という新しいフレームワークを提案する。
REMとDAMをアンタングルにすることで、DDRはフレキシブルなトレーニングパラダイムを可能にし、REMは一度監視でトレーニングされ、DAMは教師なしのデータでトレーニングされる。
DDRは強力なDRベースラインに比べて格付け性能が大幅に向上し、ほとんどのシナリオにおいて従来の検索手法よりも大幅に向上する。
論文 参考訳（メタデータ） (2022-08-11T11:18:50Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳（メタデータ） (2021-12-16T04:07:01Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - 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) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for
Cross-domain Change Detection [44.05317423742678]
クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワークアーキテクチャを提案する。
我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
論文 参考訳（メタデータ） (2020-06-16T15:00:54Z)
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。