論文の概要: Diffusion Models in Recommendation Systems: A Survey

• arxiv url: http://arxiv.org/abs/2501.10548v2
• Date: Wed, 19 Feb 2025 05:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 21:02:22.254879
• Title: Diffusion Models in Recommendation Systems: A Survey
• Title（参考訳）: 勧告システムにおける拡散モデル
• Authors: Ting-Ruen Wei, Yi Fang,
• Abstract要約: 推薦システムにおける拡散モデルは、複雑なユーザとアイテムの分布を管理するのに優れている。 本稿では,拡散モデルを用いたレコメンデータシステムにおける過去の研究論文の分類法を提案する。 拡散モデルにおける基礎アルゴリズムとそのレコメンデーションシステムへの応用について述べる。
• 参考スコア（独自算出の注目度）: 8.741075482543991
• License:
• Abstract: Recommender systems remain an essential topic due to its wide application in various domains and the business potential behind them. With the rise of deep learning, common solutions have leveraged neural networks to facilitate collaborative filtering, and some have turned to generative adversarial networks to augment the dataset and tackle the data sparsity issue. However, they are limited in learning the complex user and item distribution and still suffer from model collapse. Given the great generation capability exhibited by diffusion models in computer vision recently, many recommender systems have adopted diffusion models and found improvements in performance for various tasks. Diffusion models in recommender systems excel in managing complex user and item distributions and do not suffer from mode collapse. With these advantages, the amount of research in this domain have been growing rapidly and calling for a systematic survey. In this survey paper, we present and propose a taxonomy on past research papers in recommender systems that utilize diffusion models. Distinct from a prior survey paper that categorizes based on the role of the diffusion model, we categorize based on the recommendation task at hand. The decision originates from the rationale that after all, the adoption of diffusion models is to enhance the recommendation performance, not vice versa: adapting the recommendation task to enable diffusion models. Nonetheless, we offer a unique perspective for diffusion models in recommender systems complementary to existing surveys. We present the foundation algorithms in diffusion models and their applications in recommender systems to summarize the rapid development in this field. Finally, we discuss open research directions to prepare and encourage further efforts to advance the field. We compile the relevant papers in a public GitHub repository.
• Abstract（参考訳）: 様々なドメインに広く適用され、その背後にあるビジネスの可能性のために、レコメンダシステムは依然として重要なトピックである。 ディープラーニングの台頭に伴い、一般的なソリューションはニューラルネットワークを活用して協調的なフィルタリングを可能にしている。 しかし、複雑なユーザとアイテムの分布を学習することに制限があり、それでもモデル崩壊に悩まされている。 近年のコンピュータビジョンにおける拡散モデルによる優れた生成能力を考えると、多くのレコメンダシステムは拡散モデルを採用し、様々なタスクのパフォーマンス改善を見出している。 推薦システムの拡散モデルは、複雑なユーザとアイテムの分布を管理するのに優れ、モード崩壊に苦しむことはない。 これらの利点により、この分野の研究は急速に増加し、体系的な調査が求められている。 本稿では,拡散モデルを用いたレコメンデータシステムにおける過去の研究論文の分類を提示し,提案する。 本研究は,拡散モデルの役割に基づいて分類する先行調査論文と異なり,対象者の推薦課題に基づいて分類する。 結局のところ、拡散モデルの採用は推奨性能を高めることであり、その逆ではない。 それにもかかわらず、既存の調査を補完するレコメンデータシステムにおける拡散モデルに対して、ユニークな視点を提供する。 本稿では,拡散モデルにおける基礎アルゴリズムとそのレコメンデータシステムへの応用について述べる。 最後に,オープンな研究の方向性を議論し,フィールドの前進に向けたさらなる取り組みを準備し,奨励する。 関連する論文をパブリックなGitHubリポジトリにコンパイルします。

関連論文リスト

• A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
  本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。 逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
  論文  参考訳（メタデータ） (2024-09-30T17:34:01Z)
• Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation [0.0]
  Diffusionは、従来のジェネレーティブAIアプローチを改善した、ジェネレーティブAIの新しいアプローチである。 我々は,閲覧や評価項目のシーケンスを反映したレコメンデーションシステムに拡散を取り入れた。
  論文  参考訳（メタデータ） (2024-09-16T17:27:27Z)
• A Survey on Diffusion Models for Recommender Systems [36.543994040915926]
  本稿では,拡散モデルに関する最初の総合的な調査について紹介する。 DMは、堅牢な生成能力のため、レコメンデーターシステムのための有望なソリューションとして現れてきた。 我々の分類学は、複雑なデータ分布を捉える際の拡散モデルのユニークな強みを強調している。
  論文  参考訳（メタデータ） (2024-09-08T08:57:12Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Diffusion Models for Reinforcement Learning: A Survey [22.670096541841325]
  拡散モデルは、サンプルの品質と訓練安定性において、以前の生成モデルを上回る。 最近の研究は、強化学習(RL)ソリューションの改善における拡散モデルの利点を示している。 この調査は、この新興分野の概要を提供し、新たな研究の道のりを刺激することを目的としている。
  論文  参考訳（メタデータ） (2023-11-02T13:23:39Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)

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。