論文の概要: Matrix Factorization with Dynamic Multi-view Clustering for Recommender System

• arxiv url: http://arxiv.org/abs/2504.14565v1
• Date: Sun, 20 Apr 2025 10:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 23:46:01.20785
• Title: Matrix Factorization with Dynamic Multi-view Clustering for Recommender System
• Title（参考訳）: リコメンダシステムのための動的マルチビュークラスタリングによる行列係数化
• Authors: Shangde Gao, Ke Liu, Yichao Fu, Hongxia Xu, Jian Wu,
• Abstract要約: マトリックス分解(MF)はレコメンデーションシステムの基盤である。 MFDMCは、Webスケールデータの包括的な利用と効率的なエンドツーエンドトレーニングのバランスをとる統合フレームワークである。
• 参考スコア（独自算出の注目度）: 5.807887214293438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matrix factorization (MF), a cornerstone of recommender systems, decomposes user-item interaction matrices into latent representations. Traditional MF approaches, however, employ a two-stage, non-end-to-end paradigm, sequentially performing recommendation and clustering, resulting in prohibitive computational costs for large-scale applications like e-commerce and IoT, where billions of users interact with trillions of items. To address this, we propose Matrix Factorization with Dynamic Multi-view Clustering (MFDMC), a unified framework that balances efficient end-to-end training with comprehensive utilization of web-scale data and enhances interpretability. MFDMC leverages dynamic multi-view clustering to learn user and item representations, adaptively pruning poorly formed clusters. Each entity's representation is modeled as a weighted projection of robust clusters, capturing its diverse roles across views. This design maximizes representation space utilization, improves interpretability, and ensures resilience for downstream tasks. Extensive experiments demonstrate MFDMC's superior performance in recommender systems and other representation learning domains, such as computer vision, highlighting its scalability and versatility.
• Abstract（参考訳）: MF(Matrix Factorization)は、リコメンデータシステムの基盤であり、ユーザとテムの相互作用行列を潜在表現に分解する。 しかし従来のMFアプローチでは、2段階の非エンドツーエンドのパラダイムを採用し、レコメンデーションとクラスタリングを順次実施することで、数十億のユーザが何十兆ものアイテムと対話するEコマースやIoTといった大規模アプリケーションでは、計算コストが禁じられている。 そこで本稿では,Web スケールデータの総合的利用と効率的なエンドツーエンドトレーニングのバランスを保ち,解釈可能性を高める統合フレームワークである Dynamic Multi-view Clustering (MFDMC) を用いた Matrix Factorization を提案する。 MFDMCは動的マルチビュークラスタリングを利用してユーザとアイテムの表現を学習し、貧弱なクラスタを適応的に刈り取る。 各エンティティの表現は、堅牢なクラスタの重み付けされたプロジェクションとしてモデル化され、ビューにまたがるさまざまな役割を捉えている。 この設計は、表現空間の利用を最大化し、解釈可能性を改善し、下流タスクのレジリエンスを確保する。 大規模な実験では、MFDMCが推奨システムやコンピュータビジョンなどの他の表現学習領域において優れた性能を示し、そのスケーラビリティと汎用性を強調している。

関連論文リスト

• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 実験では、教師なしマルチビュークラスタリング、ノイズラベル分類、およびクロスモーダルハッシュ検索のためのプラグ・アンド・プレイモジュールとして採用する。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• An Adaptive Framework for Multi-View Clustering Leveraging Conditional Entropy Optimization [0.0]
  マルチビュークラスタリング(MVC)は、データから貴重な洞察を抽出する強力な手法として登場した。 既存のMVCメソッドは、ビュー間の一貫性と補完性を効果的に定量化するのに苦労しています。 本稿では,適応重み付けアルゴリズムとパラメータ分離深度モデルを統合する新しいフレームワークCE-MVCを提案する。
  論文  参考訳（メタデータ） (2024-12-23T15:21:55Z)
• CADMR: Cross-Attention and Disentangled Learning for Multimodal Recommender Systems [0.6037276428689637]
  本稿では,新しいオートエンコーダに基づくマルチモーダルレコメンデータシステムCADMRを提案する。 CADMRを3つのベンチマークデータセット上で評価し,最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-12-03T09:09:52Z)
• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Semi-supervised multi-view concept decomposition [30.699496411869834]
  概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。 そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。 SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-07-03T10:50:44Z)
• One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
  本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。 そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
  論文  参考訳（メタデータ） (2023-06-08T02:52:24Z)
• Discriminatively Constrained Semi-supervised Multi-view Nonnegative Matrix Factorization with Graph Regularization [10.978930376656423]
  差別的制約付きセミスーパービジョン・マルチビュー非負行列因子化(DCS2MVNMF)を提案する。 具体的には、各ビューの補助マトリックスに対して差別的重み付け行列を導入し、クラス間の区別を高める。 さらに,複数のビューを整列し,対応する反復最適化スキームを完成させるために,新しい機能スケール正規化戦略を設計する。
  論文  参考訳（メタデータ） (2020-10-26T02:58:11Z)
• Federated Multi-view Matrix Factorization for Personalized Recommendations [53.74747022749739]
  本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。 本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
  論文  参考訳（メタデータ） (2020-04-08T21:07:50Z)
• ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings [54.33327082243022]
  ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
  論文  参考訳（メタデータ） (2020-03-29T09:06:28Z)

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。