論文の概要: Single-Branch Network Architectures to Close the Modality Gap in Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2509.18807v1
• Date: Tue, 23 Sep 2025 08:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.78297
• Title: Single-Branch Network Architectures to Close the Modality Gap in Multimodal Recommendation
• Title（参考訳）: マルチモーダルレコメンデーションにおけるモダリティギャップを埋めるためのシングルブランチネットワークアーキテクチャ
• Authors: Christian Ganhör, Marta Moscati, Anna Hausberger, Shah Nawaz, Markus Schedl,
• Abstract要約: 我々は、ウェイトシェアリング、モダリティサンプリング、コントラスト損失を備えたシングルブランチニューラルネットワークを用いて、正確なレコメンデーションを提供する。 これらのネットワークをマルチブランチの代替品と比較し、3つのデータセットに対して広範な実験を行う。 以上の結果から,シングルブランチネットワークはウォームスタートシナリオにおいて競争性能が向上し,モダリティ設定の欠如が著しく改善された。
• 参考スコア（独自算出の注目度）: 10.048652639214275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional recommender systems rely on collaborative filtering, using past user-item interactions to help users discover new items in a vast collection. In cold start, i.e., when interaction histories of users or items are not available, content-based recommender systems use side information instead. Hybrid recommender systems (HRSs) often employ multimodal learning to combine collaborative and side information, which we jointly refer to as modalities. Though HRSs can provide recommendations when some modalities are missing, their quality degrades. In this work, we utilize single-branch neural networks equipped with weight sharing, modality sampling, and contrastive loss to provide accurate recommendations even in missing modality scenarios by narrowing the modality gap. We compare these networks with multi-branch alternatives and conduct extensive experiments on three datasets. Six accuracy-based and four beyond-accuracy-based metrics help assess the recommendation quality for the different training paradigms and their hyperparameters in warm-start and missing modality scenarios. We quantitatively and qualitatively study the effects of these different aspects on bridging the modality gap. Our results show that single-branch networks achieve competitive performance in warm-start scenarios and are significantly better in missing modality settings. Moreover, our approach leads to closer proximity of an item's modalities in the embedding space. Our full experimental setup is available at https://github.com/hcai-mms/single-branch-networks.
• Abstract（参考訳）: 従来のレコメンデーターシステムは協調的なフィルタリングに依存しており、過去のユーザーとイテムのインタラクションを使ってユーザーが膨大なコレクションで新しいアイテムを見つけるのを助ける。 コールドスタートでは、ユーザーやアイテムのインタラクション履歴が利用できない場合、コンテンツベースのレコメンダシステムはサイド情報を使用する。 ハイブリッドレコメンデータシステム(HRS)は、協調的な情報と副次的な情報を組み合わせるために多モーダル学習を用いることが多い。 HRSはいくつかのモダリティが欠落している場合にはレコメンデーションを提供するが、品質は低下する。 本研究では、重み共有、モダリティサンプリング、コントラスト損失を備えた単一ブランチニューラルネットワークを用いて、モダリティギャップを狭めることで、モダリティシナリオが欠如している場合でも正確なレコメンデーションを提供する。 これらのネットワークをマルチブランチの代替品と比較し、3つのデータセットに対して広範な実験を行う。 6つの精度ベースと4つの超精度ベースのメトリクスは、異なるトレーニングパラダイムと、ウォームスタートと欠落したモダリティシナリオにおけるハイパーパラメータの推奨品質を評価するのに役立ちます。 我々は、これらの異なる側面がモダリティギャップのブリッジングに与える影響を定量的に質的に研究した。 以上の結果から,シングルブランチネットワークはウォームスタートシナリオにおいて競争性能が向上し,モダリティ設定の欠如が著しく改善された。 さらに,本手法は,埋め込み空間における項目のモダリティに近づいた。 完全な実験的なセットアップはhttps://github.com/hcai-mms/single-branch-networks.comで公開しています。

関連論文リスト

• Multi-modal Adaptive Mixture of Experts for Cold-start Recommendation [1.9967512860886603]
  MAMEXはマルチモーダルなコールドスタートレコメンデーションのための新しいフレームワークである。 異なるモダリティから潜在表現を動的に活用する。 実験では、MAMEXはコールドスタートシナリオで最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-08-11T14:47:14Z)
• Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations [4.242821809663174]
  グラフニューラルネットワーク(GNN)を用いた自動レコメンダ認識手法を提案する。 提案手法は,隠されたレコメンデータの正確な検出とユーザ行動への影響を可能にする。 この研究は、レコメンダが行動をどのように形成し、偏光と誤情報を減らすための努力を支援するかについての洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-15T09:16:17Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios [10.593268426317609]
  勧告のためのマルチモーダルシングルブランチ埋め込みネットワーク(SiBraR)を利用した,マルチモーダルレコメンデーションのための新しい手法を提案する。 SiBraRは、異なるモダリティ上の同一の単一ブランチ埋め込みネットワークを使用して、インタラクションデータとマルチモーダル側情報をエンコードする。 我々は,SiBraRの勧告がモダリティの欠如のシナリオにおいて正確であることを示し,モデルが異なるモダリティを共有埋め込み空間の同じ領域にマッピング可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T14:12:23Z)
• Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
  フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。 我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。 提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
  論文  参考訳（メタデータ） (2024-02-17T12:27:30Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems [23.480069921831344]
  協調反射強化オートエンコーダネットワーク(CRANet)を開発した。 CRANetは、観測された、観測されていないユーザーとイテムの相互作用から、転送可能な知識を探索することができる。 CRANetは2つの推奨タスクに対応する4つの多様なベンチマークデータセットに対して実験的に検証する。
  論文  参考訳（メタデータ） (2022-01-10T04:36:15Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)

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。