Fugu-MT 論文翻訳(概要): Causal Discovery in Recommender Systems: Example and Discussion

論文の概要: Causal Discovery in Recommender Systems: Example and Discussion

arxiv url: http://arxiv.org/abs/2409.10271v1
Date: Mon, 16 Sep 2024 13:31:04 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 15:30:16.998316
Title: Causal Discovery in Recommender Systems: Example and Discussion
Title（参考訳）: レコメンダシステムにおける因果発見の事例と考察
Authors: Emanuele Cavenaghi, Fabio Stella, Markus Zanker,
Abstract要約: 因果関係は人工知能と機械学習のコミュニティから注目を集めている。本稿では,因果グラフを用いたレコメンデータシステム問題のモデル化例を示す。
参考スコア（独自算出の注目度）: 3.013819656993265
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causality is receiving increasing attention by the artificial intelligence and machine learning communities. This paper gives an example of modelling a recommender system problem using causal graphs. Specifically, we approached the causal discovery task to learn a causal graph by combining observational data from an open-source dataset with prior knowledge. The resulting causal graph shows that only a few variables effectively influence the analysed feedback signals. This contrasts with the recent trend in the machine learning community to include more and more variables in massive models, such as neural networks.
Abstract（参考訳）: 因果関係は人工知能と機械学習のコミュニティから注目を集めている。本稿では,因果グラフを用いたレコメンデータシステム問題のモデル化例を示す。具体的には,オープンソースデータセットからの観測データと事前知識を組み合わせ,因果グラフを学習するために因果探索タスクにアプローチした。結果として得られた因果グラフは、分析されたフィードバック信号に効果的に影響を与える変数はわずかであることを示している。これは、ニューラルネットワークのような大規模モデルにより多くの変数を含むという、機械学習コミュニティの最近のトレンドとは対照的である。

関連論文リスト

Graph Neural Network-Based Entity Extraction and Relationship Reasoning in Complex Knowledge Graphs [1.5998200006932823]
本研究では,グラフニューラルネットワークに基づく知識グラフ実体抽出と関係推論アルゴリズムを提案する。本稿では、エンドツーエンドのジョイントモデルを構築することにより、エンティティと関係の効率的な認識と推論を実現する。
論文参考訳（メタデータ） (2024-11-19T16:23:49Z)
A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction [1.9116784879310031]
接続指紋を描写した形態的脳グラフは、脳の非結合性のパターンを表わす上で最重要である。本稿では,対象グラフをソースグラフから予測する最初のグラフ拡散モデルであるグラフ残留雑音学習ネットワーク(Grenol-Net)を提案する。
論文参考訳（メタデータ） (2024-09-30T17:28:38Z)
NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
論文参考訳（メタデータ） (2023-06-09T19:10:16Z)
GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文参考訳（メタデータ） (2023-04-06T03:02:54Z)
Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文参考訳（メタデータ） (2022-10-20T11:03:21Z)
Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
論文参考訳（メタデータ） (2022-08-18T01:31:25Z)
Causal Discovery and Knowledge Injection for Contestable Neural Networks (with Appendices) [10.616061367794385]
本稿では,ニューラルネットワークを利用したマシンが学習因果グラフの基盤を公開できる双方向インタラクションを提案する。提案手法は,入力層で最大7倍小さい擬似ネットワークを生成中の予測性能を2.4倍に向上することを示す。
論文参考訳（メタデータ） (2022-05-19T18:21:12Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
論文参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。