論文の概要: Cross-Domain Latent Factors Sharing via Implicit Matrix Factorization

• arxiv url: http://arxiv.org/abs/2409.15568v1
• Date: Mon, 23 Sep 2024 21:50:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 12:23:41.908588
• Title: Cross-Domain Latent Factors Sharing via Implicit Matrix Factorization
• Title（参考訳）: インシシットマトリックス因子化によるクロスドメイン潜在因子の共有
• Authors: Abdulaziz Samra, Evgeney Frolov, Alexey Vasilev, Alexander Grigorievskiy, Anton Vakhrushev,
• Abstract要約: CDIMFは、ALSによる標準的な暗黙の行列分解をクロスドメインシナリオに拡張するモデルである。 産業データセットに関する実験は、コールドスタートとウォームスタートの両方においてCDIMFの競合性能を示す。
• 参考スコア（独自算出の注目度）: 43.4113814392018
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data sparsity has been one of the long-standing problems for recommender systems. One of the solutions to mitigate this issue is to exploit knowledge available in other source domains. However, many cross-domain recommender systems introduce a complex architecture that makes them less scalable in practice. On the other hand, matrix factorization methods are still considered to be strong baselines for single-domain recommendations. In this paper, we introduce the CDIMF, a model that extends the standard implicit matrix factorization with ALS to cross-domain scenarios. We apply the Alternating Direction Method of Multipliers to learn shared latent factors for overlapped users while factorizing the interaction matrix. In a dual-domain setting, experiments on industrial datasets demonstrate a competing performance of CDIMF for both cold-start and warm-start. The proposed model can outperform most other recent cross-domain and single-domain models. We also provide the code to reproduce experiments on GitHub.
• Abstract（参考訳）: データスパシティは、リコメンダシステムの長年の問題のひとつです。 この問題を緩和する解決策の1つは、他のソースドメインで利用可能な知識を活用することである。 しかし、多くのクロスドメインレコメンデータシステムは、実際にはスケーラビリティを低下させる複雑なアーキテクチャを導入している。 一方、行列因数分解法は依然として単一ドメインの推奨に対して強い基準線であると考えられている。 本稿では,ALSによる標準的な暗黙行列分解をドメイン横断シナリオに拡張するモデルであるCDIMFを紹介する。 相互作用行列を分解しながら、重なり合うユーザに対して共有潜在因子を学習するために、乗算器の交互方向法を適用した。 二重ドメイン環境では、産業データセットに関する実験は、コールドスタートとウォームスタートの両方においてCDIMFの競合する性能を示す。 提案したモデルは、近年のクロスドメインモデルや単一ドメインモデルよりも優れている。 GitHubで実験を再現するコードも提供しています。

関連論文リスト

• Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
  トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。 SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。 マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
  論文  参考訳（メタデータ） (2024-07-01T09:45:22Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data [5.145146101802871]
  Data Sparsityは、協調フィルタリング技術における大きな欠点の1つだ。 本稿では,クロスドメインレコメンデーションのための新しいトランスファー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-26T05:26:39Z)
• Domain Generalization via Domain-based Covariance Minimization [4.414778226415752]
  本稿では,領域間の条件分布の差を最小限に抑えるために,複数の領域に対する新しい分散測定法を提案する。 小規模なデータセットでは、未確認のテストデータセットよりも優れた一般化性能を示す、より良い定量的結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-12T19:30:15Z)
• SelfReg: Self-supervised Contrastive Regularization for Domain Generalization [7.512471799525974]
  対照的学習,自己教師付きコントラスト正規化(SelfReg)に基づく領域一般化のための新しい正規化手法を提案する。 提案手法は正のデータペアのみを用いるため,負のペアサンプリングによって生じる様々な問題を解消する。 最近のベンチマークであるDomainBedでは、提案手法は従来の最先端技術に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2021-04-20T09:08:29Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。