論文の概要: Quantum Cognition-Inspired EEG-based Recommendation via Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2501.02671v1
• Date: Sun, 05 Jan 2025 21:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:18.138446
• Title: Quantum Cognition-Inspired EEG-based Recommendation via Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる量子認知誘発脳波に基づく勧告
• Authors: Jinkun Han, Wei Li, Yingshu Li, Zhipeng Cai,
• Abstract要約: 本稿では,量子認知理論とグラフ畳み込みネットワークを組み合わせた新しいニューラルネットワークモデル QUARK を提案する。 脳波は、その利便性と移動性のために脳信号を収集する有望な方法である。 最先端のレコメンデーションモデルと比較して、QUIRKの優位性は広範な実験によって確認される。
• 参考スコア（独自算出の注目度）: 6.800887001326282
• License:
• Abstract: Current recommendation systems recommend goods by considering users' historical behaviors, social relations, ratings, and other multi-modals. Although outdated user information presents the trends of a user's interests, no recommendation system can know the users' real-time thoughts indeed. With the development of brain-computer interfaces, it is time to explore next-generation recommenders that show users' real-time thoughts without delay. Electroencephalography (EEG) is a promising method of collecting brain signals because of its convenience and mobility. Currently, there is only few research on EEG-based recommendations due to the complexity of learning human brain activity. To explore the utility of EEG-based recommendation, we propose a novel neural network model, QUARK, combining Quantum Cognition Theory and Graph Convolutional Networks for accurate item recommendations. Compared with the state-of-the-art recommendation models, the superiority of QUARK is confirmed via extensive experiments.
• Abstract（参考訳）: 現在のレコメンデーションシステムは、ユーザの過去の行動、社会的関係、評価、その他のマルチモーダルを考慮することで商品を推薦する。 時代遅れのユーザ情報にはユーザの関心事の傾向が表れているが,ユーザのリアルタイム思考を実際に知るためのレコメンデーションシステムは存在しない。 脳-コンピュータインタフェースの開発により、ユーザのリアルタイム思考を遅延なく示す次世代レコメンデータを探索する時が来た。 脳波(EEG)は、その利便性と移動性から脳信号を収集する有望な方法である。 現在、人間の脳活動の学習の複雑さのため、脳波に基づくレコメンデーションに関する研究はほとんどない。 脳波に基づくリコメンデーションの有用性を探るため,量子認知理論とグラフ畳み込みネットワークを組み合わせた新しいニューラルネットワークモデル QUARK を提案する。 最先端のレコメンデーションモデルと比較して、QUIRKの優位性は広範な実験によって確認される。

関連論文リスト

• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Neural-Symbolic Recommendation with Graph-Enhanced Information [7.841447116972524]
  我々は,大域的暗黙的推論能力と局所的明示的論理推論能力の両方を備えたニューロシンボリックレコメンデーションモデルを構築した。 ユーザの振る舞いを命題論理表現に変換し,認知的推論の観点からレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2023-07-11T06:29:31Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks [22.827250316693803]
  いくつかのMOOCプラットフォームは、ユーザの学習体験を改善するために、もちろんユーザにレコメンデーションを提供する。 このサービスの有用性にもかかわらず、ユーザーに直接コースを推薦することは、様々な専門知識を無視する可能性があると考えている。 異種情報ネットワークと強化学習に基づくMOOCにおける概念推薦のための新しい手法であるHinCRec-RLを提案する。
  論文  参考訳（メタデータ） (2022-03-08T05:10:55Z)
• ExBrainable: An Open-Source GUI for CNN-based EEG Decoding and Model Interpretation [1.7778609937758327]
  ExBrainableは、脳波デコーディング(EEG)における畳み込みニューラルネットワーク(CNN)モデルのトレーニングと可視化に特化している。 利用可能な機能には、時間的および空間的表現の観点からのモデルトレーニング、評価、パラメータ可視化が含まれる。
  論文  参考訳（メタデータ） (2022-01-10T15:21:21Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Real-Time Learning from An Expert in Deep Recommendation Systems with Marginal Distance Probability Distribution [1.3535770763481902]
  我々は,その履歴,プロファイル,および類似のユーザに基づいて,日々の運動活動を支援するレコメンデーションシステムを開発した。 開発したレコメンデーションシステムは、ユーザの注目と時間的注意機構を備えたディープリカレントニューラルネットワークを使用する。 本稿では,リアルタイム・エキスパート・ザ・ループ型能動的学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T19:20:18Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。