論文の概要: Geometric Collaborative Filtering with Convergence

• arxiv url: http://arxiv.org/abs/2410.03064v2
• Date: Sun, 27 Oct 2024 22:56:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-03 04:06:08.337871
• Title: Geometric Collaborative Filtering with Convergence
• Title（参考訳）: 収束を伴う幾何学的協調フィルタリング
• Authors: Hisham Husain, Julien Monteil,
• Abstract要約: 本稿では,協調フィルタリングにおける一般化ギャップの概念を導入し,これを潜在協調フィルタリングモデルに対して解析する。 本稿では,損失関数を生じさせる幾何上界と,項目メタタの幾何を有意に活用して推薦を改善する方法を提案する。 提案したGeoCFアルゴリズムは,Movielens20MおよびNetflixデータセット上の既存のすべての手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.70129120026477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent variable collaborative filtering methods have been a standard approach to modelling user-click interactions due to their simplicity and effectiveness. However, there is limited work on analyzing the mathematical properties of these methods in particular on preventing the overfitting towards the identity, and such methods typically utilize loss functions that overlook the geometry between items. In this work, we introduce a notion of generalization gap in collaborative filtering and analyze this with respect to latent collaborative filtering models. We present a geometric upper bound that gives rise to loss functions, and a way to meaningfully utilize the geometry of item-metadata to improve recommendations. We show how these losses can be minimized and gives the recipe to a new latent collaborative filtering algorithm, which we refer to as GeoCF, due to the geometric nature of our results. We then show experimentally that our proposed GeoCF algorithm can outperform other all existing methods on the Movielens20M and Netflix datasets, as well as two large-scale internal datasets. In summary, our work proposes a theoretically sound method which paves a way to better understand generalization of collaborative filtering at large.
• Abstract（参考訳）: 潜在変数協調フィルタリング手法は、その単純さと有効性からユーザクリックインタラクションをモデル化する標準的な手法である。 しかしながら、これらの手法の数学的性質、特にアイデンティティに対する過度な適合を防止するための研究は限られており、そのような手法は通常、アイテム間の幾何を見渡す損失関数を利用する。 本研究では,協調フィルタリングにおける一般化ギャップの概念を導入し,これを潜在協調フィルタリングモデルに対して解析する。 本稿では,損失関数を生じさせる幾何上界と,項目メタタの幾何を有意に活用して推薦を改善する方法を提案する。 これらの損失を最小限に抑え、GeoCFと呼ばれる新しい潜在協調フィルタリングアルゴリズムのレシピを提供する。 次に、提案したGeoCFアルゴリズムが、Movielens20MとNetflixのデータセットおよび2つの大規模内部データセットにおいて、既存のすべてのメソッドより優れていることを示す。 本研究は,協調フィルタリングの一般化をよりよく理解するための理論的に健全な手法を提案する。

関連論文リスト

• Beyond Flatland: A Geometric Take on Matching Methods for Treatment Effect Estimation [6.4527669089403155]
  本稿では,既存の因果機構によって誘導される内在データ幾何を考慮した治療効果を推定するマッチング手法を提案する。 我々は、GeoMatchingがより効果的に治療効果を推定できることを示す、合成および実世界のシナリオにおける理論的洞察と実証結果を提供する。
  論文  参考訳（メタデータ） (2024-09-09T09:39:47Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Gotta match 'em all: Solution diversification in graph matching matched filters [13.841897638543033]
  非常に大きな背景グラフに複数のノイズを埋め込んだテンプレートグラフを見つけるための新しい手法を提案する。 提案手法は,Sussmanらによって提案されたグラフマッチング・マッチング・フィルタ技術に基づいている。
  論文  参考訳（メタデータ） (2023-08-25T15:53:30Z)
• Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
  本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。 メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
  論文  参考訳（メタデータ） (2021-08-09T18:16:08Z)
• Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
  協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。 本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。 ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-06-14T14:30:32Z)
• Performance of Hyperbolic Geometry Models on Top-N Recommendation Tasks [72.62702932371148]
  標準的な協調フィルタリング問題の解法として,双曲幾何学に基づく単純なオートエンコーダを提案する。 現代の多くのディープラーニング技術とは対照的に、私たちは単一の隠れレイヤのみを使用してソリューションを構築します。
  論文  参考訳（メタデータ） (2020-08-15T13:21:10Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)
• MINT: Deep Network Compression via Mutual Information-based Neuron Trimming [32.449324736645586]
  Mutual Information-based Neuron Trimming (MINT) はプルーニングによる深部圧縮にアプローチする。 MINTは、隣り合う層のフィルタ間の関係の強さに基づいて間隔を強制する。 ネットワークを刈り取る際には、保持されたフィルタが後続層への情報の大部分に寄与することを保証します。
  論文  参考訳（メタデータ） (2020-03-18T21:05:02Z)

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。