論文の概要: Dual-domain Collaborative Denoising for Social Recommendation

• arxiv url: http://arxiv.org/abs/2405.04942v1
• Date: Wed, 08 May 2024 10:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:58:51.761278
• Title: Dual-domain Collaborative Denoising for Social Recommendation
• Title（参考訳）: ソーシャルレコメンデーションのためのデュアルドメイン協調型Denoising
• Authors: Wenjie Chen, Yi Zhang, Honghao Li, Lei Sang, Yiwen Zhang,
• Abstract要約: ソーシャルレコメンデーションのためのデュアルドメイン協調型認知モデル(textbfDCDSR$)を提案する。 構造レベルの協調認知モジュールでは、対話領域からの情報はまずソーシャルネットワークの認知をガイドするために使用される。 組込み空間協調型除音モジュールは、ノイズクロスドメイン拡散問題に抵抗する。
• 参考スコア（独自算出の注目度）: 13.904160376949381
• License:
• Abstract: Social recommendation leverages social network to complement user-item interaction data for recommendation task, aiming to mitigate the data sparsity issue in recommender systems. However, existing social recommendation methods encounter the following challenge: both social network and interaction data contain substaintial noise, and the propagation of such noise through Graph Neural Networks (GNNs) not only fails to enhance recommendation performance but may also interfere with the model's normal training. Despite the importance of denoising for social network and interaction data, only a limited number of studies have considered the denoising for social network and all of them overlook that for interaction data, hindering the denoising effect and recommendation performance. Based on this, we propose a novel model called Dual-domain Collaborative Denoising for Social Recommendation ($\textbf{DCDSR}$). DCDSR comprises two primary modules: the structure-level collaborative denoising module and the embedding-space collaborative denoising module. In the structure-level collaborative denoising module, information from interaction domain is first employed to guide social network denoising. Subsequently, the denoised social network is used to supervise the denoising for interaction data. The embedding-space collaborative denoising module devotes to resisting the noise cross-domain diffusion problem through contrastive learning with dual-domain embedding collaborative perturbation. Additionally, a novel contrastive learning strategy, named Anchor-InfoNCE, is introduced to better harness the denoising capability of contrastive learning. Evaluating our model on three real-world datasets verifies that DCDSR has a considerable denoising effect, thus outperforms the state-of-the-art social recommendation methods.
• Abstract（参考訳）: ソーシャルレコメンデーションは、ソーシャルネットワークを活用して、レコメンデーションタスクのためのユーザとイテムのインタラクションデータを補完する。 しかし、既存のソーシャルレコメンデーション手法は以下の課題に直面する: ソーシャルネットワークとインタラクションデータの両方にサブスタンスノイズが含まれており、グラフニューラルネットワーク(GNN)によるそのようなノイズの伝搬はレコメンデーション性能の向上に失敗するだけでなく、モデルの通常の訓練にも干渉する可能性がある。 ソーシャルネットワークやインタラクションデータのデノナイズの重要性にもかかわらず、ソーシャルネットワークのデノナイズを考える研究は限られており、それらすべてがインタラクションデータに対するデノナイズ効果やレコメンデーションパフォーマンスを妨げている。 そこで本研究では,ソーシャルレコメンデーションのためのDual-domain Collaborative Denoising for Social Recommendation(DCDSR)という新しいモデルを提案する。 DCDSRは2つの主要なモジュールから構成される: 構造レベルのコラボレーティブ・デノナイジング・モジュールと埋め込み空間のコラボレーティブ・デノナイジング・モジュールである。 構造レベルの協調認知モジュールでは、対話領域からの情報はまずソーシャルネットワークの認知をガイドするために使用される。 その後、デノナイズされたソーシャルネットワークは、インタラクションデータのデノナイズを監督するために使用される。 組込み空間協調型除音モジュールは、二重ドメイン埋め込み協調摂動を用いた対照的な学習を通じて、ノイズクロスドメイン拡散問題に抵抗する。 さらに,Anchor-InfoNCEという新しいコントラスト学習戦略を導入し,コントラスト学習の認知能力を向上させる。 3つの実世界のデータセットでモデルを評価することで、DCDSRは相当なデノベーション効果があり、最先端のソーシャルレコメンデーション手法よりも優れています。

関連論文リスト

• Multimodal Graph Neural Network for Recommendation with Dynamic De-redundancy and Modality-Guided Feature De-noisy [8.799657717956343]
  動的デ冗長性とモダリティ誘導型特徴デノイズを用いたマルチモーダルグラフニューラルネットワーク(MGNM)を提案する。 実験により,MGNMは冗長情報の復調・除去を行うマルチモーダル情報に対して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-11-03T13:23:07Z)
• Relation Modeling and Distillation for Learning with Noisy Labels [4.556974104115929]
  本稿では,自己教師型学習を通して,サンプル間の関係をモデル化する関係モデリングと蒸留の枠組みを提案する。 提案手法は,ノイズの多いデータに対する識別表現を学習し,既存の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T01:47:27Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• IDVT: Interest-aware Denoising and View-guided Tuning for Social Recommendation [25.499653256726926]
  ソーシャル接続されたユーザは、同様の好みを共有し、レコメンデーションの精度を高め、コールドスタートの問題に対処することが想定される。 我々の統計分析は、多くのソーシャル・コネクテッド・ユーザーが共通の関心を共有していないソーシャルネットワークにおいて、かなりの量のノイズを示唆している。 ソーシャルレコメンデーションのための革新的なアンダーラインインタレストアウェアアンダーラインデノイングとアンダーラインビュー誘導アンダーラインタニング(IDVT)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-30T10:03:55Z)
• Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches [28.61750072026107]
  ディープラーニング手法は、特に大規模なペア化されたデータセットでトレーニングされた場合、画像の認知において顕著なパフォーマンスを示している。 ディープラーニング手法は、特に大規模なペア化されたデータセットでトレーニングされた場合、画像の認知において顕著なパフォーマンスを示している。 しかし、そのようなペア化されたデータセットを現実のシナリオで取得することは、大きな課題となる。
  論文  参考訳（メタデータ） (2023-08-13T14:04:46Z)
• Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
  教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。 提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-22T04:40:30Z)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• Learnability Enhancement for Low-light Raw Denoising: Where Paired Real Data Meets Noise Modeling [22.525679742823513]
  雑音モデルに基づいてペア化された実データを修正する学習可能性向上戦略を提案する。 我々の戦略は、ショットノイズ増強(SNA)とダークシェーディング補正(DSC)の2つの効率的な手法で構成されている。
  論文  参考訳（メタデータ） (2022-07-13T10:23:28Z)
• Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
  実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。 雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。 ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2021-10-28T20:39:02Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
  Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。 既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。 そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T03:08:13Z)

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。