論文の概要: Adaptive Self-supervised Learning for Social Recommendations
- arxiv url: http://arxiv.org/abs/2412.18735v1
- Date: Wed, 25 Dec 2024 01:47:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:27:15.458253
- Title: Adaptive Self-supervised Learning for Social Recommendations
- Title（参考訳）: ソーシャルレコメンデーションのための適応型自己指導型学習
- Authors: Xin He, Shanru Lin, Wenqi Fan, Mingchen Sun, Ying Wang, Xin Wang,
- Abstract要約: 自己監視学習(SSL)は推奨分野において大きな注目を集めている。
本稿では,社会推薦のための適応型自己指導型学習(AdasRec)を提案する。
- 参考スコア（独自算出の注目度）: 30.757022590802396
- License:
- Abstract: In recent years, researchers have attempted to exploit social relations to improve the performance in recommendation systems. Generally, most existing social recommendation methods heavily depends on substantial domain knowledge and expertise in primary recommendation tasks for designing useful auxiliary tasks. Meanwhile, Self-Supervised Learning (SSL) recently has received considerable attention in the field of recommendation, since it can provide self-supervision signals in assisting the improvement of target recommendation systems by constructing self-supervised auxiliary tasks from raw data without human-annotated labels. Despite the great success, these SSL-based social recommendations are insufficient to adaptively balance various self-supervised auxiliary tasks, since assigning equal weights on various auxiliary tasks can result in sub-optimal recommendation performance, where different self-supervised auxiliary tasks may contribute differently to improving the primary social recommendation across different datasets. To address this issue, in this work, we propose Adaptive Self-supervised Learning for Social Recommendations (AdasRec) by taking advantage of various self-supervised auxiliary tasks. More specifically, an adaptive weighting mechanism is proposed to learn adaptive weights for various self-supervised auxiliary tasks, so as to balance the contribution of such self-supervised auxiliary tasks for enhancing representation learning in social recommendations. The adaptive weighting mechanism is used to assign different weights on auxiliary tasks to achieve an overall weighting of the entire auxiliary tasks and ultimately assist the primary recommendation task, achieved by a meta learning optimization problem with an adaptive weighting network. Comprehensive experiments on various real-world datasets are constructed to verify the effectiveness of our proposed method.
- Abstract（参考訳）: 近年,リコメンデーションシステムの性能向上のために,社会関係の活用が試みられている。
一般に、既存の社会的レコメンデーション手法の多くは、有用な補助的なタスクを設計するための主要なレコメンデーションタスクにおいて、相当量のドメイン知識と専門知識に大きく依存している。
一方,SSL(Self-Supervised Learning, 自己監視学習)は, 人名付きラベルを使わずに, 生データから自己監督的補助タスクを構築することで, 対象レコメンデーションシステムの改善を支援するセルフスーパービジョン信号を提供することによって, 推薦分野に大きな注目を集めている。
これらのSSLベースのソーシャルレコメンデーションは、大きな成功にもかかわらず、様々な補助タスクに等しく重みを割り当てることによって、異なる自己監督補助タスクが異なるデータセットにわたる主要なソーシャルレコメンデーションを改善するために異なる貢献をする、準最適レコメンデーションパフォーマンスをもたらす可能性があるため、適応的に様々な自己監督補助タスクのバランスをとるには不十分である。
この問題に対処するため,本稿では,様々な自己指導型補助タスクを活用することで,適応型自己指導型ソーシャルレコメンデーション学習(AdasRec)を提案する。
より具体的には、適応重み付け機構は、ソーシャルレコメンデーションにおける表現学習を強化するための自己教師付き補助タスクの貢献のバランスをとるために、様々な自己教師付き補助タスクに対する適応重み付けを学習するために提案される。
適応重み付け機構は、補助タスクの全体重み付けを達成するために異なる重み付けを割り当て、最終的に適応重み付けネットワークを備えたメタ学習最適化問題によって達成される主推奨タスクを支援するために使用される。
提案手法の有効性を検証するために,様々な実世界のデータセットに関する総合的な実験を構築した。
関連論文リスト
- Personalized Multi-task Training for Recommender System [80.23030752707916]
PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。
我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
論文 参考訳（メタデータ） (2024-07-31T06:27:06Z) - RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework
with LLM Agents [30.250555783628762]
この研究は、これらの問題に対処することは単にレコメンダシステムの責任ではないと主張している。
本稿では,RAH Recommenderシステム,Assistant,Humanフレームワークを紹介する。
私たちのコントリビューションは、さまざまなレコメンデーションモデルと効果的に連携する、人間中心のレコメンデーションフレームワークを提供します。
論文 参考訳（メタデータ） (2023-08-19T04:46:01Z) - Auxiliary Learning as an Asymmetric Bargaining Game [50.826710465264505]
補助学習におけるタスクのバランスをとるために,AuxiNashという新しい手法を提案する。
本報告では,主課題の性能に対する貢献に基づいて,タスクの獲得能力を学ぶための効率的な手順について述べる。
複数のマルチタスクベンチマークでAuxiNashを評価し、競合する手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-01-31T09:41:39Z) - Auxiliary task discovery through generate-and-test [7.800263769988046]
補助的なタスクは、エージェントに補助的な予測と制御目的を学習させることで、データ効率を向上させる。
本稿では,表現学習のアイデアに基づく強化学習における補助的タスク発見へのアプローチについて検討する。
本研究は,これらの特徴が主課題にどの程度有用かに基づいて,補助課題の有用性を示す新しい尺度を提案する。
論文 参考訳（メタデータ） (2022-10-25T22:04:37Z) - Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。
自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
論文 参考訳（メタデータ） (2022-10-13T17:59:16Z) - Intrinsically Motivated Self-supervised Learning in Reinforcement
Learning [15.809835721792687]
視覚に基づく強化学習(RL)タスクでは、補助タスクに自己監督的損失を割り当てることが一般的である。
強化学習(IM-SSR)における本質的動機づけ型自己監督学習(Intivically Motivated Self-Supervised Learning)という,自己監督的損失を本質的な報酬として活用する,シンプルかつ効果的なアイデアを提案する。
自己監督的損失は、新しい状態の探索やニュアンス除去による改善として堅牢性を示す。
論文 参考訳（メタデータ） (2021-06-26T08:43:28Z) - Pareto Self-Supervised Training for Few-Shot Learning [5.6715399725748155]
少数の補助学習は最近少数の分類されたデータを扱うために多くの注意を引き付けました。
タスクのバランスとタスクの衝突を減らすために適切な重みを選択することは難しい。
論文 参考訳（メタデータ） (2021-04-16T01:26:25Z) - Auxiliary Task Reweighting for Minimum-data Learning [118.69683270159108]
教師付き学習は大量のトレーニングデータを必要とし、ラベル付きデータが不足しているアプリケーションを制限する。
データ不足を補う1つの方法は、補助的なタスクを利用して、メインタスクに対する追加の監視を提供することである。
そこで本研究では,主タスクにおけるデータ要求を減らし,補助タスクを自動的に重み付けする手法を提案する。
論文 参考訳（メタデータ） (2020-10-16T08:45:37Z)
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。