Fugu-MT 論文翻訳(概要): Collaborative filtering based on nonnegative/binary matrix factorization

論文の概要: Collaborative filtering based on nonnegative/binary matrix factorization

arxiv url: http://arxiv.org/abs/2410.10381v3
Date: Fri, 11 Jul 2025 10:07:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-14 14:01:04.582902
Title: Collaborative filtering based on nonnegative/binary matrix factorization
Title（参考訳）: 非負・二項行列分解に基づく協調フィルタリング
Authors: Yukino Terui, Yuka Inoue, Yohei Hamakawa, Kosuke Tatsumura, Kazue Kudo,
Abstract要約: 協調フィルタリングは、レーティングデータに基づいて、ユーザとイテムの類似性を活用してレコメンデーションを生成する。本稿では,非負・二項行列因数分解(NBMF)アルゴリズムを協調フィルタリングのために提案する。
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: Collaborative filtering generates recommendations by exploiting user-item similarities based on rating data, which often contains numerous unrated items. This paper proposes a nonnegative/binary matrix factorization (NBMF) algorithm modified for collaborative filtering and demonstrates that utilizing a low-latency Ising machine in NBMF is advantageous in terms of computation time. While previous studies have primarily applied NBMF to dense data, such as images, this study applies a modified NBMF to sparse data. Results show the benefits of using a low-latency Ising machine to implement the proposed method.
Abstract（参考訳）: 協調フィルタリングは、多くの未評価項目を含むレーティングデータに基づいて、ユーザとイテムの類似性を活用してレコメンデーションを生成する。本稿では,NBMFにおける低遅延Isingマシンの利用が計算時間で有利であることを示すために,協調フィルタリングのために修正された非負・二項行列分解アルゴリズムを提案する。従来の研究は主に画像などの高密度データにNBMFを適用してきたが、この研究はデータのスパースに改良されたNBMFを適用した。その結果,提案手法の実装に低遅延Isingマシンを用いることの利点が示された。

関連論文リスト

Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
論文参考訳（メタデータ） (2022-07-31T12:09:32Z)
Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文参考訳（メタデータ） (2022-04-22T11:38:10Z)
Initialization for Nonnegative Matrix Factorization: a Comprehensive Review [0.0]
非負の因子化(NMF)は、非負のデータ行列から非負の基底を抽出することで有意なデータを表現するための一般的な方法となっている。それぞれの手法の性能を示す数値的な結果を示す。
論文参考訳（メタデータ） (2021-09-08T18:49:41Z)
Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。 CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
論文参考訳（メタデータ） (2021-09-02T07:05:04Z)
Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
非負行列ファクタリゼーションの逆学習版を検討する。我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
論文参考訳（メタデータ） (2021-04-10T13:13:17Z)
Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文参考訳（メタデータ） (2021-03-24T21:17:17Z)
Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
論文参考訳（メタデータ） (2021-03-02T12:47:40Z)
Nonnegative Matrix Factorization with Zellner Penalty [0.0]
非負行列ファクタリゼーション(NMF)は、非負データ行列を部分ベース、低次元、線形表現に分解する比較的新しい教師なし学習アルゴリズムである。本稿では,データ依存的制約を用いたZellner non negative matrix factorization (ZNMF)を提案する。ケンブリッジ ORL データベースを用いて,ZNMF アルゴリズムと他のよく知られた制約付きNMF アルゴリズムの顔認識性能を評価する。
論文参考訳（メタデータ） (2020-12-07T18:11:02Z)
Nonnegative Matrix Factorization with Toeplitz Penalty [0.0]
NMF(Nonnegative Matrix Factorization)は、データマトリックスの線形、部分ベースの近似を生成する教師なし学習アルゴリズムである。非データ依存の補助制約を利用した新しいNMFアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-07T13:49:23Z)
Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
論文参考訳（メタデータ） (2020-07-24T06:10:19Z)
Image Analysis Based on Nonnegative/Binary Matrix Factorization [0.0]
非負・二項行列分解(NBMF)を用いることで、行列を非負行列と二項行列に分解することができる。 NBMFとFujitsu Digital Annealerを用いた顔画像の解析により,画像再構成と画像分類に成功している。
論文参考訳（メタデータ） (2020-07-02T05:22:36Z)

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。