論文の概要: Measure Domain's Gap: A Similar Domain Selection Principle for Multi-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2505.20227v1
• Date: Mon, 26 May 2025 17:07:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 19:27:27.033281
• Title: Measure Domain's Gap: A Similar Domain Selection Principle for Multi-Domain Recommendation
• Title（参考訳）: ドメインのギャップを測定する:マルチドメイン勧告のための類似したドメイン選択原則
• Authors: Yi Wen, Yue Liu, Derong Xu, Huishi Luo, Pengyue Jia, Yiqing Wu, Siwei Wang, Ke Liang, Maolin Wang, Yiqi Wang, Fuzhen Zhuang, Xiangyu Zhao,
• Abstract要約: MDR(Multi-Domain Recommendation)は、異なるドメイン間での転送情報を効果的に活用することにより、望ましいレコメンデーションパフォーマンスを実現する。 本稿では,マルチドメインレコメンデーションのためのシンプルで動的な類似ドメイン選択原理(SDSP)を提案する。 SDSPは既存のMDRメソッドに組み込んだ軽量な手法であり、性能が向上し、過度な時間オーバーヘッドを発生させないことを強調する。
• 参考スコア（独自算出の注目度）: 51.74051587372479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Domain Recommendation (MDR) achieves the desirable recommendation performance by effectively utilizing the transfer information across different domains. Despite the great success, most existing MDR methods adopt a single structure to transfer complex domain-shared knowledge. However, the beneficial transferring information should vary across different domains. When there is knowledge conflict between domains or a domain is of poor quality, unselectively leveraging information from all domains will lead to a serious Negative Transfer Problem (NTP). Therefore, how to effectively model the complex transfer relationships between domains to avoid NTP is still a direction worth exploring. To address these issues, we propose a simple and dynamic Similar Domain Selection Principle (SDSP) for multi-domain recommendation in this paper. SDSP presents the initial exploration of selecting suitable domain knowledge for each domain to alleviate NTP. Specifically, we propose a novel prototype-based domain distance measure to effectively model the complexity relationship between domains. Thereafter, the proposed SDSP can dynamically find similar domains for each domain based on the supervised signals of the domain metrics and the unsupervised distance measure from the learned domain prototype. We emphasize that SDSP is a lightweight method that can be incorporated with existing MDR methods for better performance while not introducing excessive time overheads. To the best of our knowledge, it is the first solution that can explicitly measure domain-level gaps and dynamically select appropriate domains in the MDR field. Extensive experiments on three datasets demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: MDR(Multi-Domain Recommendation)は、異なるドメイン間での転送情報を効果的に活用することにより、望ましいレコメンデーションパフォーマンスを実現する。 大きな成功にもかかわらず、既存のほとんどのMDRメソッドは複雑なドメイン共有知識を伝達するために単一の構造を採用する。 しかし、有益な転送情報は異なるドメインにまたがって変更されるべきである。 ドメインやドメイン間の知識の衝突が貧弱な場合、すべてのドメインからの情報を非選択的に活用することで、重大な負の移動問題(NTP)が発生する。 したがって、NTPを避けるためにドメイン間の複雑な転送関係を効果的にモデル化する方法は、まだ探求に値する方向である。 これらの問題に対処するため,本論文では,多分野推薦のためのシンプルで動的な類似ドメイン選択原理(SDSP)を提案する。 SDSPは、NTPを緩和するために各ドメインに適したドメイン知識を選択することを最初に提案する。 具体的には,ドメイン間の複雑性関係を効果的にモデル化する,プロトタイプベースの領域距離尺度を提案する。 その後、提案したSDSPは、ドメインメトリクスの教師付き信号と学習されたドメインプロトタイプからの教師なし距離測定に基づいて、各ドメインの類似したドメインを動的に見つけることができる。 SDSPは既存のMDRメソッドに組み込んだ軽量な手法であり、性能が向上し、過度な時間オーバーヘッドを発生させないことが強調される。 私たちの知る限りでは、ドメインレベルのギャップを明示的に測定し、MDR分野における適切なドメインを動的に選択できる最初のソリューションです。 3つのデータセットに対する大規模な実験により,提案手法の有効性が示された。

関連論文リスト

• One for Dozens: Adaptive REcommendation for All Domains with Counterfactual Augmentation [32.945861240561]
  マルチドメインレコメンデーション(MDR)は、さまざまなドメインにわたるレコメンデーションパフォーマンスの向上を目的としている。 従来のMDRアルゴリズムは一般に5つ未満の領域にフォーカスする。 本稿では,全てのドメインに対するアダプティブ・レコメンデーションを提案する。
  論文  参考訳（メタデータ） (2024-12-16T15:52:17Z)
• DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive Crowd Counting [35.83485358725357]
  ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。 既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。 ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:59:40Z)
• Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation [3.367755441623275]
  マルチソースアン教師付きドメイン適応(MUDA)は、関連するソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 アクティブマルチドメイン適応(D3AAMDA)のための動的ドメイン不一致適応法(Dynamic Domain Disrepancy Adjustment)を提案する。 このメカニズムは、ソースドメインとターゲットドメイン間の特徴のアライメントレベルを制御し、ソースドメイン内のローカルな有利な特徴情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-07-26T09:40:19Z)
• IDM: An Intermediate Domain Module for Domain Adaptive Person Re-ID [58.46907388691056]
  ソースとターゲットドメイン間のブリッジは、UDA re-IDタスクに対処するために有効である、と我々は主張する。 中間ドメインの表現をオンザフライで生成するための中間ドメインモジュール(IDM)を提案する。 提案手法は,UDAのre-IDタスクに共通するタスクにおいて,最先端のタスクよりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-08-05T07:19:46Z)
• Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification [57.92800886719651]
  近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。 MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。 本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:29:27Z)
• Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
  従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
  論文  参考訳（メタデータ） (2020-07-17T22:05:09Z)
• 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)
• Multi-Domain Spoken Language Understanding Using Domain- and Task-Aware Parameterization [78.93669377251396]
  音声言語理解は、各ドメインでトレーニングデータのセットが利用できる教師付き学習問題として対処されてきた。 既存の1つのアプローチは、ドメイン間の共同トレーニングに共有パラメータを使用して、マルチドメイン学習を行うことによって、この問題を解決する。 本稿では,ドメイン固有モデルパラメータとタスク固有モデルパラメータを用いて,この手法のパラメータ化を改善することを提案する。
  論文  参考訳（メタデータ） (2020-04-30T15:15:40Z)

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。