論文の概要: Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems
- arxiv url: http://arxiv.org/abs/2405.18708v1
- Date: Wed, 29 May 2024 02:35:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 21:04:06.790770
- Title: Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems
- Title（参考訳）: リコメンダシステムのための特徴インタラクション選択のための認知的進化学習
- Authors: Runlong Yu, Qixiang Shao, Qi Liu, Huan Liu, Enhong Chen,
- Abstract要約: Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。
4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
- 参考スコア（独自算出の注目度）: 59.117526206317116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feature interaction selection is a fundamental problem in commercial recommender systems. Most approaches equally enumerate all features and interactions by the same pre-defined operation under expert guidance. Their recommendation is unsatisfactory sometimes due to the following issues: (1)~They cannot ensure the learning abilities of models because their architectures are poorly adaptable to tasks and data; (2)~Useless features and interactions can bring unnecessary noise and complicate the training process. In this paper, we aim to adaptively evolve the model to select appropriate operations, features, and interactions under task guidance. Inspired by the evolution and functioning of natural organisms, we propose a novel \textsl{Cognitive EvoLutionary Learning (CELL)} framework, where cognitive ability refers to a property of organisms that allows them to react and survive in diverse environments. It consists of three stages, i.e., DNA search, genome search, and model functioning. Specifically, if we regard the relationship between models and tasks as the relationship between organisms and natural environments, interactions of feature pairs can be analogous to double-stranded DNA, of which relevant features and interactions can be analogous to genomes. Along this line, we diagnose the fitness of the model on operations, features, and interactions to simulate the survival rates of organisms for natural selection. We show that CELL can adaptively evolve into different models for different tasks and data, which enables practitioners to access off-the-shelf models. Extensive experiments on four real-world datasets demonstrate that CELL significantly outperforms state-of-the-art baselines. Also, we conduct synthetic experiments to ascertain that CELL can consistently discover the pre-defined interaction patterns for feature pairs.
- Abstract（参考訳）: 機能相互作用の選択は、商業レコメンデータシステムにおける基本的な問題である。
ほとんどのアプローチは、専門家の指導の下で、同じ事前定義された操作によって、すべての特徴と相互作用を均等に列挙します。
1) アーキテクチャがタスクやデータに不適応であるため、モデルの学習能力を保証することはできない; (2) 機能やインタラクションが不要なノイズをもたらし、トレーニングプロセスが複雑になる可能性がある。
本稿では,タスクガイダンスに基づく適切な操作,特徴,インタラクションを選択するために,モデルを適応的に進化させることを目的とする。
自然生物の進化と機能に触発されて,認知能力は多様な環境下で反応し,生き残ることができる生物の特性を指す,新しい『textsl{Cognitive EvoLutionary Learning』(CELL)フレームワークを提案する。
これは3つの段階、すなわちDNA探索、ゲノム探索、モデル機能から構成される。
特に、モデルとタスクの関係を生物と自然環境の関係とみなすならば、機能対の相互作用は二重鎖DNAに類似し、関連する特徴と相互作用はゲノムに類似することができる。
この線に沿って、自然選択のための生物の生存率をシミュレートするために、操作、特徴、相互作用に関するモデルの適合度を診断する。
Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化し,実践者がオフザシェルフモデルにアクセスできることを示す。
4つの実世界のデータセットに対する大規模な実験は、細胞が最先端のベースラインを大幅に上回っていることを示している。
また、我々は、セルが特徴対の予め定義された相互作用パターンを一貫して発見できることを確認するために、合成実験を行う。
関連論文リスト
- Integrating GNN and Neural ODEs for Estimating Two-Body Interactions in Mixed-Species Collective Motion [0.0]
本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
論文 参考訳（メタデータ） (2024-05-26T09:47:17Z) - Towards a Unified Transformer-based Framework for Scene Graph Generation
and Human-object Interaction Detection [116.21529970404653]
本稿では,Transformerアーキテクチャに基づく一段階統一モデルであるSG2HOI+を紹介する。
本手法では,SGGとHOI検出のタスクをシームレスに統一する2つの対話型階層変換器を用いる。
提案手法は最先端のHOI法と比較して競争性能が向上する。
論文 参考訳（メタデータ） (2023-11-03T07:25:57Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。
提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。
全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
論文 参考訳（メタデータ） (2023-04-30T19:45:04Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - Learning Anisotropic Interaction Rules from Individual Trajectories in a
Heterogeneous Cellular Population [0.0]
細胞群集の運動をモデル化するための第2次IPSのためのWSINDyを開発する。
本手法は,異種細胞集団の動態を規定する相互作用規則を学習する。
本研究では, 一般的な細胞移動実験を動機とした, いくつかのテストシナリオにおいて, 提案手法の有効性と性能を実証する。
論文 参考訳（メタデータ） (2022-04-29T15:00:21Z) - Meta-brain Models: biologically-inspired cognitive agents [0.0]
メタ脳モデルと呼ぶ計算手法を提案する。
特殊なモデルを用いて構成したレイヤの組み合わせを提案する。
我々は、この柔軟でオープンソースなアプローチの開発における次のステップを提案して、結論付けます。
論文 参考訳（メタデータ） (2021-08-31T05:20:53Z) - Memorize, Factorize, or be Na\"ive: Learning Optimal Feature Interaction
Methods for CTR Prediction [29.343267933348372]
本稿では,各機能間相互作用に最も適したモデリング手法を求めるOPtInterというフレームワークを提案する。
実験の結果,OptInterは最先端のベースライン深部CTRモデルを最大2.21%改善することがわかった。
論文 参考訳（メタデータ） (2021-08-03T03:03:34Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。