論文の概要: Dataset-Agnostic Recommender Systems

• arxiv url: http://arxiv.org/abs/2501.07294v1
• Date: Mon, 13 Jan 2025 13:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:26:24.508260
• Title: Dataset-Agnostic Recommender Systems
• Title（参考訳）: データセットに依存しないレコメンダシステム
• Authors: Tri Kurniawan Wijaya, Edoardo D'Amico, Xinyang Shao,
• Abstract要約: DAReSは、微調整を必要とせずに、単一のシステムがさまざまなデータセットに自律的に適応できるようにすることを目的としている。 DareSは、さまざまなアプリケーションドメインにまたがるレコメンデーションシステムを構築するための、より効率的でスケーラブルなソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.47109219881156855
• License:
• Abstract: [This is a position paper and does not contain any empirical or theoretical results] Recommender systems have become a cornerstone of personalized user experiences, yet their development typically involves significant manual intervention, including dataset-specific feature engineering, hyperparameter tuning, and configuration. To this end, we introduce a novel paradigm: Dataset-Agnostic Recommender Systems (DAReS) that aims to enable a single codebase to autonomously adapt to various datasets without the need for fine-tuning, for a given recommender system task. Central to this approach is the Dataset Description Language (DsDL), a structured format that provides metadata about the dataset's features and labels, and allow the system to understand dataset's characteristics, allowing it to autonomously manage processes like feature selection, missing values imputation, noise removal, and hyperparameter optimization. By reducing the need for domain-specific expertise and manual adjustments, DAReS offers a more efficient and scalable solution for building recommender systems across diverse application domains. It addresses critical challenges in the field, such as reusability, reproducibility, and accessibility for non-expert users or entry-level researchers.
• Abstract（参考訳）: [これはポジションペーパーであり、実験結果や理論結果を含んでいません]レコメンダシステムはパーソナライズされたユーザエクスペリエンスの基盤になっていますが、その開発には一般的に、データセット固有の機能エンジニアリング、ハイパーパラメータチューニング、設定など、大きな手作業の介入が必要です。 この目的のために、指定されたレコメンダシステムタスクに対して、細調整を必要とせずに、単一のコードベースが様々なデータセットに自律的に適応できるようにすることを目的とした、データセット非依存のレコメンダシステム(DAReS)という新しいパラダイムを紹介します。 このアプローチの中心にあるのは、データセットの特徴とラベルに関するメタデータを提供する構造化フォーマットであるDataset Description Language(DsDL)である。 ドメイン固有の専門知識や手動調整の必要性を減らすことで、DAReSはさまざまなアプリケーションドメインにまたがる推奨システムを構築するための、より効率的でスケーラブルなソリューションを提供します。 非専門家やエントリーレベルの研究者にとって、再利用性、再現性、アクセシビリティなど、この分野における重要な課題に対処する。

関連論文リスト

• Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
  協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。 我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
  論文  参考訳（メタデータ） (2024-09-03T04:55:03Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation [55.87169702896249]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,DA手法の評価と,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの公平な評価を行うフレームワークを提案する。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• Dataset Regeneration for Sequential Recommendation [69.93516846106701]
  DR4SRと呼ばれるモデルに依存しないデータセット再生フレームワークを用いて、理想的なトレーニングデータセットを開発するためのデータ中心のパラダイムを提案する。 データ中心のパラダイムの有効性を示すために、我々はフレームワークを様々なモデル中心の手法と統合し、4つの広く採用されているデータセット間で大きなパフォーマンス改善を観察する。
  論文  参考訳（メタデータ） (2024-05-28T03:45:34Z)
• ERASE: Benchmarking Feature Selection Methods for Deep Recommender Systems [40.838320650137625]
  本稿では,Deep Recommender Systems(DRS)のためのフェースセレクションのための包括的bEnchmaRkであるERASEについて述べる。 ERASEは11種類の特徴選択手法を徹底的に評価し、従来のアプローチとディープラーニングアプローチの両方をカバーしている。 私たちのコードは簡単に再現できる。
  論文  参考訳（メタデータ） (2024-03-19T11:49:35Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Utilizing deep learning for automated tuning of database management systems [0.12891210250935148]
  OtterTuneは、影響力のあるノブを特定し、以前は目に見えないワークロードを分析し、ノブ設定のレコメンデーションを提供する。 このアプローチの有効性は,3つの異なるデータベース管理システム(DBMS)上でのOtterTuneと呼ばれる新しいツールの評価を通じて実証される。
  論文  参考訳（メタデータ） (2023-06-25T21:50:14Z)
• AUGUST: an Automatic Generation Understudy for Synthesizing Conversational Recommendation Datasets [56.052803235932686]
  本稿では,大規模かつ高品質なレコメンデーションダイアログを生成する新しい自動データセット合成手法を提案する。 i)従来のレコメンデーションデータセットからの豊富なパーソナライズされたユーザプロファイル、(ii)知識グラフからの豊富な外部知識、(iii)人間対人間会話レコメンデーションデータセットに含まれる会話能力。
  論文  参考訳（メタデータ） (2023-06-16T05:27:14Z)
• AutoField: Automating Feature Selection in Deep Recommender Systems [36.70138179483737]
  特徴選択は、ディープラーニングベースのレコメンデータシステムの開発において重要なプロセスである。 本稿では,重要な特徴フィールドを適応的に自動選択できるAutoMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-19T18:06:02Z)
• i-Razor: A Differentiable Neural Input Razor for Feature Selection and Dimension Search in DNN-Based Recommender Systems [8.992480061695138]
  ノイズの特徴と不適切な埋め込み次元割り当てはレコメンダシステムの性能を低下させる可能性がある。 本稿では,特徴選択と次元探索を共同で最適化するニューラルインプット・レイザー (i-Razor) を提案する。
  論文  参考訳（メタデータ） (2022-04-01T08:30:06Z)

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。