論文の概要: Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation

• arxiv url: http://arxiv.org/abs/2409.10494v1
• Date: Mon, 16 Sep 2024 17:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 14:38:40.466847
• Title: Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation
• Title（参考訳）: 拡散モデルに基づくレコメンデーションにおける分類器フリーガイダンスの導入
• Authors: Noah Buchanan, Susan Gauch, Quan Mai,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a diffusion-based recommender system that incorporates classifier-free guidance. Most current recommender systems provide recommendations using conventional methods such as collaborative or content-based filtering. Diffusion is a new approach to generative AI that improves on previous generative AI approaches such as Variational Autoencoders (VAEs) and Generative Adversarial Networks (GANs). We incorporate diffusion in a recommender system that mirrors the sequence users take when browsing and rating items. Although a few current recommender systems incorporate diffusion, they do not incorporate classifier-free guidance, a new innovation in diffusion models as a whole. In this paper, we present a diffusion recommender system that augments the underlying recommender system model for improved performance and also incorporates classifier-free guidance. Our findings show improvements over state-of-the-art recommender systems for most metrics for several recommendation tasks on a variety of datasets. In particular, our approach demonstrates the potential to provide better recommendations when data is sparse.
• Abstract（参考訳）: 本稿では,分類器フリーガイダンスを取り入れた拡散型レコメンデータシステムを提案する。 現在のリコメンデータシステムのほとんどは、コラボレーションやコンテンツベースのフィルタリングといった従来の手法を使ってレコメンデーションを提供している。 Diffusionは、可変オートエンコーダ(VAE)やGAN(Generative Adversarial Networks)といった、従来のジェネレーティブAIアプローチを改善する、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。 現在のいくつかの推奨システムは拡散を取り入れているが、拡散モデル全体の新しい革新である分類器のないガイダンスは組み込まれていない。 本稿では,性能向上のために,基礎となるレコメンデータシステムモデルを拡張した拡散レコメンデータシステムを提案する。 本研究は,各種データセットの推薦タスクにおいて,ほとんどのメトリクスに対して,最先端のレコメンデータシステムよりも改善されたことを示す。 特に、当社のアプローチは、データが不足している場合により良いレコメンデーションを提供する可能性を実証しています。

関連論文リスト

• A Survey on Diffusion Models for Recommender Systems [36.543994040915926]
  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。
  論文  参考訳（メタデータ） (2024-09-08T08:57:12Z)
• Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
  拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
  論文  参考訳（メタデータ） (2024-08-30T09:10:38Z)
• Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information [5.033504076393256]
  本稿では,商品別サイド情報をレコメンダシステムに組み込んでパフォーマンスを高めるための汎用フレームワークを提案する。 副次的な情報により、我々の推薦システムは最先端のモデルよりもかなりのマージンで優れていることを示す。 また、リコメンデータシステムで使用される注意機構を標準化し、モデル性能への影響を評価するために、新しいタイプの損失を提案する。
  論文  参考訳（メタデータ） (2024-06-02T04:33:52Z)
• Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。 ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。 我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
  フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。 我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。 提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
  論文  参考訳（メタデータ） (2024-02-17T12:27:30Z)
• Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
  本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。 DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。 3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-22T13:31:34Z)
• Towards Universal Sequence Representation Learning for Recommender Systems [98.02154164251846]
  我々はUniSRecという新しいユニバーサルシーケンス表現学習手法を提案する。 提案手法は、項目の関連記述テキストを用いて、異なる推薦シナリオ間で転送可能な表現を学習する。 我々のアプローチは、パラメータ効率のよい方法で、新しいレコメンデーションドメインやプラットフォームに効果的に移行できます。
  論文  参考訳（メタデータ） (2022-06-13T07:21:56Z)
• GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation [0.0]
  本稿では,ユーザのレーティングの類似性に関連するグラフベースモデルを用いたレコメンデータシステムを提案する。 オートエンコーダの特徴抽出の利点を生かして,全ての属性を組み合わせて新しい特徴を抽出する。 The experimental results on the MovieLens dataset shows that the proposed algorithm developed many existing recommendation algorithm on recommendation accuracy。
  論文  参考訳（メタデータ） (2021-11-06T10:47:45Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)

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。