論文の概要: Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation

• arxiv url: http://arxiv.org/abs/2404.14243v1
• Date: Mon, 22 Apr 2024 14:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 13:37:25.093451
• Title: Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation
• Title（参考訳）: 高速レコメンデーションのためのTurbo-CF:行列分解フリーグラフフィルタ
• Authors: Jin-Duk Park, Yong-Min Shin, Won-Yong Shin,
• Abstract要約: Turbo-CF は GF ベースのグラフフィルタであり、トレーニングフリーかつ行列分解フリーである。 実世界のベンチマークデータセットで1秒未満のランタイムを実現するため,Turbo-CFは非常に高速かつ正確であることを示す。
• 参考スコア（独自算出の注目度）: 9.582288420754152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A series of graph filtering (GF)-based collaborative filtering (CF) showcases state-of-the-art performance on the recommendation accuracy by using a low-pass filter (LPF) without a training process. However, conventional GF-based CF approaches mostly perform matrix decomposition on the item-item similarity graph to realize the ideal LPF, which results in a non-trivial computational cost and thus makes them less practical in scenarios where rapid recommendations are essential. In this paper, we propose Turbo-CF, a GF-based CF method that is both training-free and matrix decomposition-free. Turbo-CF employs a polynomial graph filter to circumvent the issue of expensive matrix decompositions, enabling us to make full use of modern computer hardware components (i.e., GPU). Specifically, Turbo-CF first constructs an item-item similarity graph whose edge weights are effectively regulated. Then, our own polynomial LPFs are designed to retain only low-frequency signals without explicit matrix decompositions. We demonstrate that Turbo-CF is extremely fast yet accurate, achieving a runtime of less than 1 second on real-world benchmark datasets while achieving recommendation accuracies comparable to best competitors.
• Abstract（参考訳）: 一連のグラフフィルタリング(GF)に基づく協調フィルタリング(CF)は、トレーニングプロセスなしで低域フィルタ(LPF)を用いることで、推奨精度の最先端性能を示す。 しかし、従来の GF ベースの CF アプローチは、項目-項目類似性グラフ上で行列分解を行い、理想の LPF を実現し、非自明な計算コストをもたらすため、迅速なレコメンデーションが不可欠であるシナリオでは実用的でない。 本稿では,GFに基づくCF法であるTurbo-CFを提案する。 Turbo-CFは、高価な行列分解の問題を回避するために多項式グラフフィルタを使用し、現代のコンピュータハードウェアコンポーネント(GPU)をフル活用することができます。 特にTurbo-CFは、エッジウェイトが効果的に制御されるアイテム-イット類似性グラフを最初に構築する。 そして、我々の多項式LPFは、明らかな行列分解を伴わずに低周波信号のみを保持するように設計されている。 我々は、Turbo-CFは非常に高速で正確であり、実世界のベンチマークデータセットで1秒未満のランタイムを達成すると同時に、最高の競合相手に匹敵する推奨精度を達成することを実証した。

関連論文リスト

• Data-Driven Filter Design in FBP: Transforming CT Reconstruction with Trainable Fourier Series [3.6508148866314163]
  本稿では,FBPフレームワーク内にCT再構成のためのトレーニング可能なフィルタを導入する。 この方法は、フーリエ級数係数を最適化してフィルタを構成することにより、ノイズ低減の限界を克服する。 本フィルタは既存のCT再構成モデルに容易に組み込めるので,幅広い応用に適応できるツールである。
  論文  参考訳（メタデータ） (2024-01-29T10:47:37Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Multiplierless In-filter Computing for tinyML Platforms [6.878219199575747]
  In-filter音響分類のための新しいマルチプライヤレスフレームワークを提案する。 我々は、近似誤差を緩和するバックプロパゲーションを含む、MPベースの近似をトレーニングに用いている。 このフレームワークは、1Kスライス未満の従来の分類フレームワークよりも効率的である。
  論文  参考訳（メタデータ） (2023-04-24T04:33:44Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Monarch: Expressive Structured Matrices for Efficient and Accurate Training [64.6871423399431]
  大規模なニューラルネットワークは多くのドメインで優れているが、トレーニングや微調整は高価である。 計算やメモリ要件を減らすための一般的なアプローチは、重み付け行列を構造化行列に置き換えることである。 ハードウェア効率のよい行列(Monarch)のクラスを提案する。
  論文  参考訳（メタデータ） (2022-04-01T17:37:29Z)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Robust CUR Decomposition: Theory and Imaging Applications [9.280330114137778]
  本稿では、CUR分解フレームワークにおけるロバストPCAの使用とその応用を検討する。 我々は、ロバストPCAの2つの重要なイメージングアプリケーションを検討する:ビデオフォアグラウンド背景分離と顔モデリング。
  論文  参考訳（メタデータ） (2021-01-05T17:58:15Z)
• Rank and run-time aware compression of NLP Applications [12.965657113072325]
  本稿では,ハイブリッド行列係数化と呼ばれる新しい圧縮手法を提案する。 行列のランクを2倍にすることで、低ランク行列分解法を改善する。 プルーニングよりも2.32倍高速で、LMFより16.77%精度が高い。
  論文  参考訳（メタデータ） (2020-10-06T16:03:15Z)
• Augmentation of the Reconstruction Performance of Fuzzy C-Means with an Optimized Fuzzification Factor Vector [99.19847674810079]
  Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。 本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。 合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成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） (2020-04-13T04:17:30Z)

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。