論文の概要: Teach Me How to Denoise: A Universal Framework for Denoising Multi-modal Recommender Systems via Guided Calibration
- arxiv url: http://arxiv.org/abs/2504.14214v1
- Date: Sat, 19 Apr 2025 07:37:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 04:10:23.305084
- Title: Teach Me How to Denoise: A Universal Framework for Denoising Multi-modal Recommender Systems via Guided Calibration
- Title（参考訳）: マルチモーダルなレコメンダシステムのための汎用フレームワークTeach Me Denoise: Guided Calibration
- Authors: Hongji Li, Hanwen Du, Youhua Li, Junchen Fu, Chunxiao Li, Ziyi Zhuang, Jiakang Li, Yongxin Ni,
- Abstract要約: マルチモーダルレコメンデーション(GUIDER)のためのユニバーサルガイド付きイン同期蒸留デノゲーションフレームワークを提案する。
特にGUIDERは、モーダルコンテンツからクリーンでノイズの多いインタラクションを識別するために、再校正戦略を使用している。
暗黙的なユーザフィードバックを処理するために、DBPR(Denoising Bayesian Personalized Ranking)損失関数が組み込まれている。
- 参考スコア（独自算出の注目度）: 3.6854332833964745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The surge in multimedia content has led to the development of Multi-Modal Recommender Systems (MMRecs), which use diverse modalities such as text, images, videos, and audio for more personalized recommendations. However, MMRecs struggle with noisy data caused by misalignment among modal content and the gap between modal semantics and recommendation semantics. Traditional denoising methods are inadequate due to the complexity of multi-modal data. To address this, we propose a universal guided in-sync distillation denoising framework for multi-modal recommendation (GUIDER), designed to improve MMRecs by denoising user feedback. Specifically, GUIDER uses a re-calibration strategy to identify clean and noisy interactions from modal content. It incorporates a Denoising Bayesian Personalized Ranking (DBPR) loss function to handle implicit user feedback. Finally, it applies a denoising knowledge distillation objective based on Optimal Transport distance to guide the alignment from modality representations to recommendation semantics. GUIDER can be seamlessly integrated into existing MMRecs methods as a plug-and-play solution. Experimental results on four public datasets demonstrate its effectiveness and generalizability. Our source code is available at https://github.com/Neon-Jing/Guider
- Abstract（参考訳）: マルチメディアコンテンツの急増は、よりパーソナライズされたレコメンデーションのためにテキスト、画像、ビデオ、オーディオなどの様々なモダリティを使用するマルチモーダルレコメンダシステム(MMRecs)の開発につながった。
しかし、MMRecsは、モーダルコンテンツ間の不一致とモーダルセマンティクスとレコメンデーションセマンティクスのギャップによって引き起こされるノイズの多いデータに苦しむ。
従来のdenoisingメソッドは、マルチモーダルデータの複雑さのために不十分である。
そこで本研究では,マルチモーダルレコメンデーション (GUIDER) のためのユニバーサルガイド付きイン同期蒸留デノゲーションフレームワークを提案する。
特にGUIDERは、モーダルコンテンツからクリーンでノイズの多いインタラクションを識別するために、再校正戦略を使用している。
暗黙のユーザフィードバックを処理するために、DBPR(Denoising Bayesian Personalized Ranking)損失関数が組み込まれている。
最後に,モダリティ表現からレコメンデーションセマンティクスへのアライメントを導くために,最適輸送距離に基づく知識蒸留目標を適用した。
GUIDERはプラグイン・アンド・プレイソリューションとして既存のMMRecsメソッドにシームレスに統合できる。
4つの公開データセットの実験結果は、その有効性と一般化可能性を示している。
ソースコードはhttps://github.com/Neon-Jing/Guiderで公開されています。
関連論文リスト
- When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation [3.050721435894337]
本稿では,適応アンサンブル学習(Adaptive Ensemble Learning, AEL)を提案する。
AELはスパースゲーティングネットワークを脳として採用し、適切な認知能力の合成に適した専門家を選択する。
モデル複雑性のアンサンブル学習の欠点を解決するために,コンポーネントを積み重ねてサブレコメンダを作成する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-19T12:55:34Z) - Improving Multi-modal Recommender Systems by Denoising and Aligning Multi-modal Content and User Feedback [32.10029754890383]
マルチモーダルレコメンダシステム(DA-MRS)を提案する。
DA-MRSは、マルチモーダルノイズを軽減するために、まず、モーダル間の一貫したコンテント類似性によって決定されるアイテム-テムグラフを構成する。
DA-MRSは、ユーザフィードバックを認知するために、観測されたフィードバックの確率とマルチモーダルコンテンツとを関連付け、識別されたBPR損失を考案する。
論文 参考訳（メタデータ） (2024-06-18T11:05:32Z) - TruthSR: Trustworthy Sequential Recommender Systems via User-generated Multimodal Content [21.90660366765994]
ノイズの多いユーザ生成マルチモーダルコンテンツによる信頼性の高いシーケンシャルレコメンデーション手法を提案する。
具体的には、ノイズ干渉を軽減するために、ユーザ生成したマルチモーダルコンテンツの一貫性と相補性を捉える。
さらに,主観的ユーザ視点と客観的項目視点を統合した信頼性の高い意思決定機構を設計する。
論文 参考訳（メタデータ） (2024-04-26T08:23:36Z) - A Study of Dropout-Induced Modality Bias on Robustness to Missing Video
Frames for Audio-Visual Speech Recognition [53.800937914403654]
AVSR(Advanced Audio-Visual Speech Recognition)システムは、欠落したビデオフレームに敏感であることが観察されている。
ビデオモダリティにドロップアウト技術を適用することで、フレーム不足に対するロバスト性が向上する一方、完全なデータ入力を扱う場合、同時に性能損失が発生する。
本稿では,MDA-KD(Multimodal Distribution Approximation with Knowledge Distillation)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T06:06:55Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Mining Stable Preferences: Adaptive Modality Decorrelation for
Multimedia Recommendation [23.667430143035787]
そこで我々は,ユーザの安定な嗜好を学習するための,新しいモダリティ記述型静的学習フレームワークMODESTを提案する。
サンプル再重み付け手法に着想を得た提案手法は,各項目の重み付けを推定し,重み付け分布の異なるモジュラリティの特徴が重み付けされるようにすることを目的としている。
提案手法は,既存のマルチメディアレコメンデーションバックボーンのプレイ・アンド・プラグモジュールとして利用できる。
論文 参考訳（メタデータ） (2023-06-25T09:09:11Z) - Learning Task-Oriented Flows to Mutually Guide Feature Alignment in
Synthesized and Real Video Denoising [137.5080784570804]
Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。
既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。
本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
論文 参考訳（メタデータ） (2022-08-25T00:09:18Z) - MANet: Improving Video Denoising with a Multi-Alignment Network [72.93429911044903]
本稿では,複数フローの提案とアテンションに基づく平均化を行うマルチアライメントネットワークを提案する。
大規模ビデオデータセットを用いた実験により,本手法は調音ベースラインモデルを0.2dBで改善することを示した。
論文 参考訳（メタデータ） (2022-02-20T00:52:07Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳（メタデータ） (2021-05-20T08:59:44Z) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳（メタデータ） (2020-06-10T21:28:13Z)
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。