論文の概要: Algorithm Selection for Recommender Systems via Meta-Learning on Algorithm Characteristics

• arxiv url: http://arxiv.org/abs/2508.04419v1
• Date: Wed, 06 Aug 2025 13:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.728575
• Title: Algorithm Selection for Recommender Systems via Meta-Learning on Algorithm Characteristics
• Title（参考訳）: アルゴリズム特性に基づくメタラーニングによるレコメンダシステムのアルゴリズム選択
• Authors: Jarne Mathi Decker, Joeran Beel,
• Abstract要約: 推薦システム選択のためのユーザごとのメタ学習手法を提案する。 ユーザメタ機能と,ソースコードから自動的に抽出されるアルゴリズム機能の両方を使用します。 その結果,メタラーナーのアルゴリズム機能向上により,NDCG@10の平均性能は8.83%向上した。
• 参考スコア（独自算出の注目度）: 0.11510009152620666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Algorithm Selection Problem for recommender systems-choosing the best algorithm for a given user or context-remains a significant challenge. Traditional meta-learning approaches often treat algorithms as categorical choices, ignoring their intrinsic properties. Recent work has shown that explicitly characterizing algorithms with features can improve model performance in other domains. Building on this, we propose a per-user meta-learning approach for recommender system selection that leverages both user meta-features and automatically extracted algorithm features from source code. Our preliminary results, averaged over six diverse datasets, show that augmenting a meta-learner with algorithm features improves its average NDCG@10 performance by 8.83% from 0.135 (user features only) to 0.147. This enhanced model outperforms the Single Best Algorithm baseline (0.131) and successfully closes 10.5% of the performance gap to a theoretical oracle selector. These findings show that even static source code metrics provide a valuable predictive signal, presenting a promising direction for building more robust and intelligent recommender systems.
• Abstract（参考訳）: 推薦システム選択のためのアルゴリズム選択問題 - あるユーザやコンテキストに最適なアルゴリズムを選択することは、大きな課題である。 伝統的なメタラーニングアプローチはアルゴリズムを分類的な選択として扱い、固有の性質を無視している。 近年の研究では、機能付きアルゴリズムを明示的に特徴付けることにより、他の領域でのモデル性能が向上することが示されている。 そこで本研究では,ユーザのメタ機能と,ソースコードから自動的に抽出されるアルゴリズム機能の両方を活用する,レコメンデータシステム選択のためのメタ学習手法を提案する。 我々の予備的な結果は、6つの多様なデータセットで評価され、メタラーナーをアルゴリズム機能で拡張することで、平均NDCG@10のパフォーマンスが0.135から0.147に8.83%向上したことを示している。 この強化されたモデルはSingle Best Algorithmベースライン(0.131)を上回り、性能ギャップの10.5%を理論的なオラクルセレクタに閉じることに成功した。 これらの結果は、静的なソースコードメトリクスでさえ、より堅牢でインテリジェントなレコメンデーションシステムを構築するための有望な方向を示す貴重な予測信号を提供することを示している。

関連論文リスト

• Meta-Learning from Learning Curves for Budget-Limited Algorithm Selection [11.409496019407067]
  予算制限のシナリオでは、アルゴリズム候補を慎重に選択し、それを訓練するための予算を割り当てることが不可欠である。 本稿では,エージェントが十分に訓練されるまで待たずに,最も有望なアルゴリズムを学習する過程において,エージェントが選択しなければならない新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-10T08:09:58Z)
• Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets [0.10241134756773229]
  72の推薦システムデータセットに対して,24の推薦システムアルゴリズムのNDCG@10を評価する。 メタモデルがアルゴリズムのランク付けに最適化された場合, メタモデル予測と基底真理の関係は平均0.124増加し, 平均0.124上昇することを示す。
  論文  参考訳（メタデータ） (2024-09-09T09:42:31Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
  フェアネスと精度を両立させる特徴部分選択手法を提案する。 モデル性能の指標としてF1-Scoreを用いる。 最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
  論文  参考訳（メタデータ） (2022-04-30T22:51:19Z)
• Per-run Algorithm Selection with Warm-starting using Trajectory-based Features [5.073358743426584]
  インスタンスごとのアルゴリズム選択は、与えられた問題の場合、1つまたは複数の適切なアルゴリズムを推奨する。 提案手法は,実行毎のアルゴリズム選択を行うオンラインアルゴリズム選択方式を提案する。 提案手法は静的なインスタンスごとのアルゴリズム選択よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-20T14:30:42Z)
• Benchmarking Feature-based Algorithm Selection Systems for Black-box Numerical Optimization [0.0]
  特徴に基づくアルゴリズムの選択は、目に見えない問題において最適化アルゴリズムのポートフォリオから最適なアルゴリズムを自動的に見つけることを目的としている。 本稿では,24個のノイズレスブラックボックス最適化ベンチマーク関数のアルゴリズム選択システムについて分析する。 アルゴリズム選択システムの性能は, 逐次最小二乗プログラミングをプリゾルバとして利用することにより, 大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2021-09-17T07:17:40Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。