論文の概要: Consistency Regularization for Complementary Clothing Recommendations

• arxiv url: http://arxiv.org/abs/2411.12295v1
• Date: Tue, 19 Nov 2024 07:30:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:35:09.237959
• Title: Consistency Regularization for Complementary Clothing Recommendations
• Title（参考訳）: 相補的な衣服勧告のための一貫性規則化
• Authors: Shuiying Liao, P. Y. Mok, Li Li,
• Abstract要約: 本稿では,ベイジアンパーソナライズランキング(CR-BPR)の一貫性正規化モデルの開発について報告する。 これは、既存の補完的な衣服推薦手法の欠点、すなわち、多モードデータの多様な特徴尺度によって引き起こされる限定された一貫性と偏りのある学習に対処する。 CR-BPRモデルの有効性は、2つのベンチマークデータセットを含む詳細な分析によって検証された。
• 参考スコア（独自算出の注目度）: 4.698072627654264
• License:
• Abstract: This paper reports on the development of a Consistency Regularized model for Bayesian Personalized Ranking (CR-BPR), addressing to the drawbacks in existing complementary clothing recommendation methods, namely limited consistency and biased learning caused by diverse feature scale of multi-modal data. Compared to other product types, fashion preferences are inherently subjective and more personal, and fashion are often presented, not by individual clothing product, but with other complementary product(s) in a well coordinated fashion outfit. Current complementary-product recommendation studies primarily focus on user preference and product matching, this study further emphasizes the consistency observed in user-product interactions as well as product-product interactions, in the specific context of clothing matching. Most traditional approaches often underplayed the impact of existing wardrobe items on future matching choices, resulting in less effective preference prediction models. Moreover, many multi-modal information based models overlook the limitations arising from various feature scales being involved. To address these gaps, the CR-BPR model integrates collaborative filtering techniques to incorporate both user preference and product matching modeling, with a unique focus on consistency regularization for each aspect. Additionally, the incorporation of a feature scaling process further addresses the imbalances caused by different feature scales, ensuring that the model can effectively handle multi-modal data without being skewed by any particular type of feature. The effectiveness of the CR-BPR model was validated through detailed analysis involving two benchmark datasets. The results confirmed that the proposed approach significantly outperforms existing models.
• Abstract（参考訳）: 本稿では,ベイズ個人格付けのための一貫性正規化モデル (CR-BPR) の開発について報告する。 他の製品と比較すると、ファッションの嗜好は本質的に主観的で個人的であり、ファッションは個々の衣料品ではなく、よく調整されたファッション服の他の補完的な製品によって提示されることが多い。 近年の補完的製品レコメンデーション研究は、主にユーザの好みと製品マッチングに焦点を当てており、この研究では、衣料品マッチングの特定の文脈において、ユーザと製品間の相互作用と製品と製品との相互作用で観察される一貫性をさらに強調している。 ほとんどの伝統的なアプローチは、既存のワードローブアイテムが将来の選択に与える影響を過小評価しており、結果としてより効果的な選好予測モデルが得られなかった。 さらに、多くのマルチモーダル情報ベースモデルは、様々な機能スケールが関与する制限を見落としている。 これらのギャップに対処するため、CR-BPRモデルは協調フィルタリング技術を統合し、ユーザー好みと製品マッチングモデリングの両方を取り入れ、各側面の一貫性の規則化に特化している。 さらに、機能スケーリングプロセスの組み入れは、異なる機能スケールによって引き起こされる不均衡にさらに対処し、モデルが特定の機能によって歪むことなく、効果的にマルチモーダルデータを扱えるようにします。 CR-BPRモデルの有効性は、2つのベンチマークデータセットを含む詳細な分析によって検証された。 その結果,提案手法が既存モデルより有意に優れていることを確認した。

関連論文リスト

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Bayesian Joint Additive Factor Models for Multiview Learning [7.254731344123118]
  マルチオミクスデータが収集され、臨床結果と相関する精度医学の文脈でモチベーション応用が生じる。 本稿では,共有およびビュー固有のコンポーネントを考慮に入れた,構造化された付加的設計を伴うJAFAR(Joint Additive Factor regression model)を提案する。 免疫,メタボローム,プロテオームデータから得られた時間とラベルの発症の予測は,最先端の競合相手に対するパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-06-02T15:35:45Z)
• Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
  一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。 以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
  論文  参考訳（メタデータ） (2024-04-02T22:27:24Z)
• Out-of-Distribution Detection via Deep Multi-Comprehension Ensemble [11.542472900306745]
  マルチComprehension (MC) Ensemble は,OOD (Out-of-Distribution) 特徴表現を拡大するための戦略として提案されている。 OOD検出におけるMC Ensemble戦略の優れた性能を示す実験結果を得た。 これにより,提案手法がトレーニング分布外のインスタンスを検出できるモデルの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-24T18:43:04Z)
• Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
  既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。 適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
  論文  参考訳（メタデータ） (2022-10-28T17:52:10Z)
• Combining Diverse Feature Priors [90.74601233745047]
  多様な機能事前セットでトレーニングされたモデルには、重複する障害モードが少なくなることを示す。 また、追加(ラベルなし)データでそのようなモデルを共同でトレーニングすることで、互いのミスを修正できることも示しています。
  論文  参考訳（メタデータ） (2021-10-15T17:31:10Z)
• Modeling High-order Interactions across Multi-interests for Micro-video Reommendation [65.16624625748068]
  利用者の興味表現を高めるためのセルフオーバーCoアテンションモジュールを提案します。 特に、まず相関パターンを異なるレベルでモデル化し、次に自己注意を使って特定のレベルで相関パターンをモデル化します。
  論文  参考訳（メタデータ） (2021-04-01T07:20:15Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Collaborative Filtering under Model Uncertainty [2.538209532048867]
  我々は、マルクス、ピン・カルモン、ウストゥンによる予測的乗法の定義を用いて、このモデルの異なるバリエーションについて検討する。 これらのモデルのほとんどは、可用性の相違やあいまいさという点で非常によく似た結果をもたらす。
  論文  参考訳（メタデータ） (2020-08-23T22:09:31Z)

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。