論文の概要: ABXI: Invariant Interest Adaptation for Task-Guided Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2501.15118v2
• Date: Thu, 13 Feb 2025 17:27:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:43:52.324385
• Title: ABXI: Invariant Interest Adaptation for Task-Guided Cross-Domain Sequential Recommendation
• Title（参考訳）: ABXI:Task-Guided Cross-Domain Sequential Recommendationのための不変利子適応
• Authors: Qingtian Bian, Marcus Vinícius de Carvalho, Tieying Li, Jiaxing Xu, Hui Fang, Yiping Ke,
• Abstract要約: クロスドメインシークエンシャルレコメンデーション(CDSR)は、最近、ドメイン間で知識を伝達することでデータの疎結合に対応するために注目を集めている。 鍵となる課題は、これらのシーケンス間で共有された知識を正しく抽出し、適切に転送することである。 本稿では,A-B-Cross-to-Invariant Learning Recommender (ABXI)を提案する。
• 参考スコア（独自算出の注目度）: 6.234890828342688
• License:
• Abstract: Cross-Domain Sequential Recommendation (CDSR) has recently gained attention for countering data sparsity by transferring knowledge across domains. A common approach merges domain-specific sequences into cross-domain sequences, serving as bridges to connect domains. One key challenge is to correctly extract the shared knowledge among these sequences and appropriately transfer it. Most existing works directly transfer unfiltered cross-domain knowledge rather than extracting domain-invariant components and adaptively integrating them into domain-specific modelings. Another challenge lies in aligning the domain-specific and cross-domain sequences. Existing methods align these sequences based on timestamps, but this approach can cause prediction mismatches when the current tokens and their targets belong to different domains. In such cases, the domain-specific knowledge carried by the current tokens may degrade performance. To address these challenges, we propose the A-B-Cross-to-Invariant Learning Recommender (ABXI). Specifically, leveraging LoRA's effectiveness for efficient adaptation, ABXI incorporates two types of LoRAs to facilitate knowledge adaptation. First, all sequences are processed through a shared encoder that employs a domain LoRA for each sequence, thereby preserving unique domain characteristics. Next, we introduce an invariant projector that extracts domain-invariant interests from cross-domain representations, utilizing an invariant LoRA to adapt these interests into modeling each specific domain. Besides, to avoid prediction mismatches, all domain-specific sequences are aligned to match the domains of the cross-domain ground truths. Experimental results on three datasets demonstrate that our approach outperforms other CDSR counterparts by a large margin. The codes are available in https://github.com/DiMarzioBian/ABXI.
• Abstract（参考訳）: クロスドメインシークエンシャルレコメンデーション(CDSR)は、最近、ドメイン間で知識を伝達することでデータの疎結合に対応するために注目を集めている。 共通のアプローチは、ドメイン固有のシーケンスをクロスドメインシーケンスにマージし、ドメインを接続するブリッジとして機能する。 鍵となる課題は、これらのシーケンス間で共有された知識を正しく抽出し、適切に転送することである。 既存の作業の多くは、ドメイン不変のコンポーネントを抽出し、ドメイン固有のモデリングに適応的に統合するのではなく、フィルタされていないクロスドメインの知識を直接転送します。 もうひとつの課題は、ドメイン固有のシーケンスとクロスドメインシーケンスの整合性です。 既存の方法はタイムスタンプに基づいてこれらのシーケンスを整列するが、このアプローチは現在のトークンとそのターゲットが異なるドメインに属している場合、予測ミスマッチを引き起こす可能性がある。 このような場合、現在のトークンが持つドメイン固有の知識は性能を低下させる可能性がある。 これらの課題に対処するため,A-B-Cross-to-Invariant Learning Recommender (ABXI)を提案する。 特に、効率的な適応のためにLoRAの有効性を活用し、ABXIは知識適応を促進するために2種類のLoRAを組み込んでいる。 まず、全てのシーケンスは、各シーケンスにドメインLoRAを使用する共有エンコーダを通して処理され、ユニークなドメイン特性を保持する。 次に、ドメイン間の表現からドメイン不変の関心を抽出する不変プロジェクタを導入し、各ドメインのモデリングにこれらの関心を適応させるために不変のLoRAを利用する。 さらに、予測ミスマッチを避けるために、すべてのドメイン固有のシーケンスは、ドメイン間の基底真理のドメインにマッチするように整列されている。 3つのデータセットによる実験結果から,本手法が他のCDSRよりも大きなマージンで優れていることが示された。 コードはhttps://github.com/DiMarzioBian/ABXIで入手できる。

関連論文リスト

• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning [17.497009723665116]
  本稿では,不整合表現学習を用いたクロスドメインシーケンシャルレコメンデーションフレームワークであるFedDCSRを提案する。 本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。 さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
  論文  参考訳（メタデータ） (2023-09-15T14:23:20Z)
• One Model for All Domains: Collaborative Domain-Prefix Tuning for Cross-Domain NER [92.79085995361098]
  クロスドメインNERは、実践シナリオにおける低リソースの問題に対処する上で難しいタスクである。 事前学習言語モデル(PLM)によるNERモデルと、リッチリソースドメインのデータとを主に取得し、ターゲットドメインに適応させる。 テキストからテキストへの生成 PLM に基づくクロスドメイン NER のための協調的ドメイン修正チューニングを提案する。
  論文  参考訳（メタデータ） (2023-01-25T05:16:43Z)
• Adaptive Methods for Aggregated Domain Generalization [26.215904177457997]
  多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。 本稿では,この問題に対するドメイン適応的アプローチを提案する。 提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-09T08:57:01Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• CrossNER: Evaluating Cross-Domain Named Entity Recognition [47.9831214875796]
  ドメイン間のエンティティ認識モデルは、ターゲットドメインにおけるNERサンプルの不足問題に対処することができる。 既存のNERベンチマークのほとんどはドメイン特化エンティティタイプを持たないか、特定のドメインにフォーカスしていないため、クロスドメイン評価の効率が低下する。 CrossNER(クロスドメインNERデータセット)は、5つの異なるドメインにまたがるNERデータのフルラベルコレクションで、異なるドメインのための専門エンティティカテゴリがあります。
  論文  参考訳（メタデータ） (2020-12-08T11:31:55Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。