論文の概要: A Survey on Diffusion Models for Recommender Systems

• arxiv url: http://arxiv.org/abs/2409.05033v1
• Date: Sun, 8 Sep 2024 08:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 19:30:04.068594
• Title: A Survey on Diffusion Models for Recommender Systems
• Title（参考訳）: リコメンダシステムの拡散モデルに関する調査研究
• Authors: Jianghao Lin, Jiaqi Liu, Jiachen Zhu, Yunjia Xi, Chengkai Liu, Yangtian Zhang, Yong Yu, Weinan Zhang,
• Abstract要約: 本稿では,拡散モデルに関する最初の総合的な調査について紹介する。 DMは、堅牢な生成能力のため、レコメンデーターシステムのための有望なソリューションとして現れてきた。 我々の分類学は、複雑なデータ分布を捉える際の拡散モデルのユニークな強みを強調している。
• 参考スコア（独自算出の注目度）: 36.543994040915926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While traditional recommendation techniques have made significant strides in the past decades, they still suffer from limited generalization performance caused by factors like inadequate collaborative signals, weak latent representations, and noisy data. In response, diffusion models (DMs) have emerged as promising solutions for recommender systems due to their robust generative capabilities, solid theoretical foundations, and improved training stability. To this end, in this paper, we present the first comprehensive survey on diffusion models for recommendation, and draw a bird's-eye view from the perspective of the whole pipeline in real-world recommender systems. We systematically categorize existing research works into three primary domains: (1) diffusion for data engineering & encoding, focusing on data augmentation and representation enhancement; (2) diffusion as recommender models, employing diffusion models to directly estimate user preferences and rank items; and (3) diffusion for content presentation, utilizing diffusion models to generate personalized content such as fashion and advertisement creatives. Our taxonomy highlights the unique strengths of diffusion models in capturing complex data distributions and generating high-quality, diverse samples that closely align with user preferences. We also summarize the core characteristics of the adapting diffusion models for recommendation, and further identify key areas for future exploration, which helps establish a roadmap for researchers and practitioners seeking to advance recommender systems through the innovative application of diffusion models. To further facilitate the research community of recommender systems based on diffusion models, we actively maintain a GitHub repository for papers and other related resources in this rising direction https://github.com/CHIANGEL/Awesome-Diffusion-for-RecSys.
• Abstract（参考訳）: 従来のレコメンデーション技術はここ数十年で大きな進歩を遂げてきたが、いまだに、不十分な協調信号、弱い潜在表現、ノイズの多いデータなどの要因によって引き起こされる、限定的な一般化性能に悩まされている。 これに対し拡散モデル (DM) は, 強靭な生成能力, 固形理論的基礎, 訓練安定性の向上などにより, 推薦システムに対する有望な解決策として現れてきた。 そこで本論文では,提案する拡散モデルに関する総合的な調査を行い,実世界のレコメンデータシステムにおけるパイプライン全体の観点から鳥の目視図を作成する。 既存の研究成果を,(1)データエンジニアリングとエンコーディングのための拡散,(2)データ拡張と表現強調に焦点を当てた拡散,(2)レコメンダモデルとしての拡散,(2)ユーザの嗜好やランク項目を直接推定するための拡散モデルを用いた拡散,(3)コンテンツ提示のための拡散,(3)ファッションや広告の創造といったパーソナライズされたコンテンツを生成するための拡散モデル,の3つの主要な領域に分類する。 我々の分類学は、複雑なデータ分布を捕捉し、ユーザの好みと密接に一致した高品質で多様なサンプルを生成する上で、拡散モデルのユニークな長所を強調している。 また, 適応拡散モデルの中核的な特徴を要約し, さらに今後の探究の要点を明らかにし, 拡散モデルの革新的応用を通じて, 推奨システムを推し進めようとする研究者や実践者にとってのロードマップの確立に寄与する。 拡散モデルに基づくレコメンデータシステムのリサーチコミュニティをさらに促進するために、この上昇する方向 https://github.com/CHIANGEL/Awesome-Diffusion-for-RecSys で、論文やその他の関連リソースのためのGitHubリポジトリを積極的に維持しています。

関連論文リスト

• Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation [0.0]
  Diffusionは、従来のジェネレーティブAIアプローチを改善した、ジェネレーティブAIの新しいアプローチである。 我々は,閲覧や評価項目のシーケンスを反映したレコメンデーションシステムに拡散を取り入れた。
  論文  参考訳（メタデータ） (2024-09-16T17:27:27Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
  ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線 本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。 提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2024-02-15T18:59:18Z)
• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• Diffusion Models for Reinforcement Learning: A Survey [22.670096541841325]
  拡散モデルは、サンプルの品質と訓練安定性において、以前の生成モデルを上回る。 最近の研究は、強化学習(RL)ソリューションの改善における拡散モデルの利点を示している。 この調査は、この新興分野の概要を提供し、新たな研究の道のりを刺激することを目的としている。
  論文  参考訳（メタデータ） (2023-11-02T13:23:39Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Diffusion Models: A Comprehensive Survey of Methods and Applications [10.557289965753437]
  拡散モデル(英: Diffusion model)は、密度理論の確立を伴う様々なタスクにおいて印象的な結果を示す深層生成モデルのクラスである。 近年,拡散モデルの性能向上への熱意が高まっている。
  論文  参考訳（メタデータ） (2022-09-02T02:59:10Z)

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。