論文の概要: CF-KAN: Kolmogorov-Arnold Network-based Collaborative Filtering to Mitigate Catastrophic Forgetting in Recommender Systems
- arxiv url: http://arxiv.org/abs/2409.05878v2
- Date: Wed, 11 Sep 2024 04:47:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 17:44:43.294887
- Title: CF-KAN: Kolmogorov-Arnold Network-based Collaborative Filtering to Mitigate Catastrophic Forgetting in Recommender Systems
- Title（参考訳）: CF-KAN:Kolmogorov-Arnoldネットワークを用いた協調フィルタリングによるレコメンダシステムにおける破滅的フォーミングの軽減
- Authors: Jin-Duk Park, Kyung-Min Kim, Won-Yong Shin,
- Abstract要約: コラボレーティブ・フィルタリング(CF)は、レコメンダシステムにおいて依然として不可欠である。
コルモゴロフ・アルノルドネットワーク(KAN)を利用した新しいCF手法CF-KANを提案する。
エッジレベルで非線形関数を学習することにより、カンはスパースよりも破滅的な忘れ問題に対してより堅牢である。
- 参考スコア（独自算出の注目度）: 16.261654043738385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative filtering (CF) remains essential in recommender systems, leveraging user--item interactions to provide personalized recommendations. Meanwhile, a number of CF techniques have evolved into sophisticated model architectures based on multi-layer perceptrons (MLPs). However, MLPs often suffer from catastrophic forgetting, and thus lose previously acquired knowledge when new information is learned, particularly in dynamic environments requiring continual learning. To tackle this problem, we propose CF-KAN, a new CF method utilizing Kolmogorov-Arnold networks (KANs). By learning nonlinear functions on the edge level, KANs are more robust to the catastrophic forgetting problem than MLPs. Built upon a KAN-based autoencoder, CF-KAN is designed in the sense of effectively capturing the intricacies of sparse user--item interactions and retaining information from previous data instances. Despite its simplicity, our extensive experiments demonstrate 1) CF-KAN's superiority over state-of-the-art methods in recommendation accuracy, 2) CF-KAN's resilience to catastrophic forgetting, underscoring its effectiveness in both static and dynamic recommendation scenarios, and 3) CF-KAN's edge-level interpretation facilitating the explainability of recommendations.
- Abstract（参考訳）: 協調フィルタリング(CF)はレコメンデーションシステムにおいて不可欠であり、パーソナライズされたレコメンデーションを提供するためにユーザとイテムのインタラクションを活用する。
一方、CF技術は多層パーセプトロン(MLP)に基づく洗練されたモデルアーキテクチャへと進化してきた。
しかし、MLPは破滅的な忘れ込みに悩まされることが多く、特に継続的な学習を必要とする動的環境において、新しい情報が学習されると、それまでに取得されていた知識が失われる。
そこで本研究では,コルモゴロフ・アルノルドネットワーク(KAN)を用いた新しいCF手法CF-KANを提案する。
エッジレベルで非線形関数を学習することにより、KansはMLPよりも破滅的な忘れ問題に対してより堅牢である。
KanベースのオートエンコーダをベースとしたCF-KANは、疎密なユーザインタラクションの複雑さを効果的に捉え、以前のデータインスタンスからの情報を保持するという意味で設計されている。
その単純さにもかかわらず、我々の広範な実験は、
1)CF-KANの推奨精度における最先端手法に対する優位性
2)CF-KANの破滅的忘れに対するレジリエンスは,静的および動的レコメンデーションシナリオにおける有効性を裏付けるものである。
3)CF-KANのエッジレベルの解釈はレコメンデーションの説明可能性を促進する。
関連論文リスト
- Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。
通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。
RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文 参考訳（メタデータ） (2024-11-03T12:10:20Z) - Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation [60.719158008403376]
適応的協調フィルタリング(ACF)は、毒殺攻撃に対するレコメンダシステムの堅牢性を高める効果的な戦略として広く認識されている。
実証的な成功にもかかわらず、ACFの有効性を性能と堅牢性の両方の観点から理論的に理解するのは難しい。
我々はPamaCF(Personalized Magnitude Adversarial Collaborative Filtering)を提案する。
論文 参考訳（メタデータ） (2024-10-30T09:23:14Z) - Revisiting Catastrophic Forgetting in Large Language Model Tuning [79.70722658190097]
Catastrophic Forgetting (CF) は、新しいデータを学ぶ際に獲得した知識を忘れるモデルを意味する。
本稿では,モデル損失景観の平坦度と大規模言語モデルの分野におけるCFの広さとの直接的な関係を明らかにするための第一歩を踏み出した。
様々なモデルスケールにまたがる3つの大規模微調整データセットの実験により,CFを緩和する手法の有効性が示された。
論文 参考訳（メタデータ） (2024-06-07T11:09:13Z) - How Does Message Passing Improve Collaborative Filtering? [49.019075781827034]
協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。
メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。
テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
論文 参考訳（メタデータ） (2024-03-27T18:53:04Z) - User-Specific Bicluster-based Collaborative Filtering: Handling
Preference Locality, Sparsity and Subjectivity [1.0398909602421018]
協調フィルタリング(CF)はRecommender Systemsを構築するための最も一般的なアプローチである。
我々は、強く一貫性があり統計的に有意な評価パターンからユーザ固有のモデルを生成する、BiclusteringベースのCFアプローチであるUSBFCを提案する。
USBFCは最先端のCF手法に対する競合予測精度を実現する。
論文 参考訳（メタデータ） (2022-11-15T18:10:52Z) - DualCF: Efficient Model Extraction Attack from Counterfactual
Explanations [57.46134660974256]
クラウドサービスプロバイダがMachine-Learning-as-a-Serviceプラットフォームをローンチした。
このような余分な情報は、必然的にクラウドモデルが、抽出攻撃に対してより脆弱になる。
本稿では,分類モデルを盗むためのクエリ効率を大幅に向上させる,新しい単純で効率的なクエリ手法を提案する。
論文 参考訳（メタデータ） (2022-05-13T08:24:43Z) - Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。
HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。
提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文 参考訳（メタデータ） (2022-04-26T10:06:04Z) - Localized Graph Collaborative Filtering [20.868562372148677]
推薦のためのGNNベースのCFメソッドを構築するための新しい視点を紹介する。
LGCFの重要な利点の1つは、各ユーザとアイテムの埋め込みを学ぶ必要がないことである。
各種データセットの実験は、特にスパースシナリオにおけるLGCFの有効性を検証する。
論文 参考訳（メタデータ） (2021-08-10T06:48:32Z) - BCFNet: A Balanced Collaborative Filtering Network with Attention
Mechanism [106.43103176833371]
協調フィルタリング(CF)ベースの推奨方法が広く研究されている。
BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。
さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
論文 参考訳（メタデータ） (2021-03-10T14:59:23Z) - Constructing Complexity-efficient Features in XCS with Tree-based Rule
Conditions [3.0538120180981294]
機械学習の主な目標は、無関係な情報を抽象化するテクニックを作ることである。
本稿では,XOFにおけるコードフラグメント(CF)の構造的効率を最適化することを目的とする。
論文 参考訳（メタデータ） (2020-04-23T05:41:41Z)
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。