論文の概要: DWTRec: An Efficient Wavelet Enhanced Model for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2503.23436v4
• Date: Thu, 01 May 2025 06:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.354348
• Title: DWTRec: An Efficient Wavelet Enhanced Model for Sequential Recommendation
• Title（参考訳）: DWTRec:シークエンシャルレコメンデーションのための効率的なウェーブレット拡張モデル
• Authors: Sheng Lu, Mingxi Ge, Jiuyi Zhang, Wanli Zhu, Guanjin Li, Fangming Gu,
• Abstract要約: Transformerベースのシーケンシャルレコメンデータモデルで使用される自己アテンションメカニズムは、常にローパスフィルタである。 本稿では,シーケンシャルレコメンデーションのための新しいウェーブレット拡張型ハイブリットアテンションネットワークDWTRecを提案する。 本研究は,自己意識のモデル化能力を向上させるための有望なアプローチであることを示唆する。
• 参考スコア（独自算出の注目度）: 0.8246494848934447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformer-based sequential recommender systems have achieved notable successes. Despite their effectiveness, recent studies reveal that self-attention mechanism used in current Transformer-based sequential recommendation models is constantly a low-pass filter which results in several problems. These problems include being incompetent in learning evolving user patterns and capturing users' abrupt interests. To integrate low and high frequency information effectively and overcome these problems, we propose a novel Wavelet enhanced hybrid attention network called DWTRec for sequential recommendation. Due to excellent characteristics of Wavelet Transform in signal processing, we can perform fine-grained signals decomposition while removing noise and capturing trending signals behind non-stationary sequences of user-item interactions. To address the bound distortion problem of the reconstructed signal of Discrete Wavelet Transform, we design a learning algorithm which adapts to different datasets. Our findings suggest a promising approach to improve the modeling power of self-attention. We tested our method on six datasets with different domains, different sparsity levels, and different average sequence lengths. Experiments show that our method outperforms all eight baseline models in recommendation performance on all datasets.
• Abstract（参考訳）: トランスフォーマーベースのシーケンシャルレコメンデーションシステムは大きな成功を収めた。 これらの効果にもかかわらず、最近の研究では、現在のTransformerベースのシーケンシャルレコメンデーションモデルで使用される自己注意機構が常にローパスフィルタであり、いくつかの問題を引き起こすことが示されている。 これらの問題には、進化するユーザパターンの学習や、ユーザの突然の関心の獲得に無力であることが含まれる。 低周波情報と高周波情報を効果的に統合し,これらの問題を克服するために,DWTRecと呼ばれる新しいウェーブレット拡張型ハイブリットアテンションネットワークを提案する。 信号処理におけるウェーブレット変換の優れた特徴により、ノイズを除去し、非定常的なユーザ・イテム相互作用の背後にあるトレンド信号を捕捉しながら、微細な信号分解を行うことができる。 離散ウェーブレット変換の再構成信号の有界歪み問題に対処するため,異なるデータセットに適応する学習アルゴリズムを設計する。 本研究は,自己意識のモデル化能力を向上させるための有望なアプローチであることを示唆する。 提案手法を,異なる領域,異なる空間レベル,異なる平均シーケンス長の6つのデータセットで検証した。 実験の結果,提案手法は8つのベースラインモデルすべてより優れており,すべてのデータセットにおいて推奨性能が高いことがわかった。

関連論文リスト

• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、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） (2025-03-11T11:40:14Z)
• LMS-AutoTSF: Learnable Multi-Scale Decomposition and Integrated Autocorrelation for Time Series Forecasting [4.075971633195745]
  自動相関を組み込んだ新しい時系列予測アーキテクチャであるLMS-AutoTSFを紹介する。 事前定義されたトレンドと季節的なコンポーネントに依存するモデルとは異なり、LMS-AutoTSFはスケール毎に2つの独立したエンコーダを使用する。 このアプローチにおける重要な革新は、時間ステップの差分を計算することによって達成される自己相関の統合です。
  論文  参考訳（メタデータ） (2024-12-09T09:31:58Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Augmenting Radio Signals with Wavelet Transform for Deep Learning-Based Modulation Recognition [6.793444383222236]
  近年,無線変調認識のための深層学習が普及している。 現実のシナリオでは、事前に十分なトレーニングデータを収集することは不可能かもしれない。 データ拡張は、トレーニングデータセットの多様性と量を増やすために使用される方法である。
  論文  参考訳（メタデータ） (2023-11-07T06:55:39Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
  オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。 周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。 逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
  論文  参考訳（メタデータ） (2022-02-28T05:49:35Z)
• Signal Classification using Smooth Coefficients of Multiple wavelets [2.7907613804877283]
  時系列信号は重要な構成となり、多くの実用的な応用がなされている。 本稿では,データ変換に適したウェーブレットを選択し,これらの変換から出力を合成してデータセットを構築し,アンサンブル分類器を適用するアプローチを提案する。 提案手法の有効性を,生信号データや単一ウェーブレット変換を用いた手法と比較して実証した。
  論文  参考訳（メタデータ） (2021-09-21T06:36:56Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
  グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。 凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。 提案手法のパラメータはエンドツーエンドでトレーニング可能である。
  論文  参考訳（メタデータ） (2021-06-30T08:57:01Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)

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。