論文の概要: Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering

• arxiv url: http://arxiv.org/abs/2509.20134v1
• Date: Wed, 24 Sep 2025 14:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.834668
• Title: Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering
• Title（参考訳）: リコメンダーシステムのためのインテリジェントアルゴリズム選択: 詳細なアルゴリズム機能工学によるメタラーニング
• Authors: Jarne Mathi Decker,
• Abstract要約: No Free Lunch"定理は、すべてのユーザに最適なレコメンデータアルゴリズムが存在しないことを規定している。 標準的なメタ学習アプローチは、ユーザー機能に基づいたアルゴリズムを選択することでこの問題を解決することを目的としているが、アルゴリズム自体を同等の「ブラックボックス」選択として扱う。 この論文は、アルゴリズム自体を明示的に特徴付ける包括的な機能セットをエンジニアリングすることで、この制限を克服する影響について考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The "No Free Lunch" theorem dictates that no single recommender algorithm is optimal for all users, creating a significant Algorithm Selection Problem. Standard meta-learning approaches aim to solve this by selecting an algorithm based on user features, but treat the fundamentally diverse algorithms themselves as equivalent, "black-box" choices. This thesis investigates the impact of overcoming this limitation by engineering a comprehensive feature set to explicitly characterize the algorithms themselves. We combine static code metrics, Abstract Syntax Tree properties, behavioral performance landmarks, and high-level conceptual features. We evaluate two meta-learners across five datasets: a baseline using only user features and our proposed model using both user and algorithm features. Our results show that the meta-learner augmented with algorithm features achieves an average NDCG@10 of 0.143, a statistically significant improvement of 11.7% over the Single Best Algorithm baseline (0.128). However, we found that the inclusion of algorithm features did not lead to an improvement in overall NDCG@10 over the meta learner using only user features (0.144). While adding algorithm features to the meta-learner did improve its Top-1 selection accuracy (+16.1%), this was counterbalanced by leading to a lower Top-3 accuracy (-10.7%). We conclude that for the per-user algorithm selection task in recommender systems, the predictive power of user features is overwhelmingly dominant. While algorithm features improve selection precision, unlocking their potential to boost overall performance remains a non-trivial challenge.
• Abstract（参考訳）: No Free Lunch" の定理は、全てのユーザーにとって1つの推奨アルゴリズムが最適でないことを規定し、重要なアルゴリズム選択問題を生み出している。 標準的なメタ学習アプローチは、ユーザ機能に基づいたアルゴリズムを選択することで、この問題を解決することを目的としている。 この論文は、アルゴリズム自体を明示的に特徴付ける包括的な機能セットをエンジニアリングすることで、この制限を克服する影響について考察する。 静的コードメトリクス、抽象構文木プロパティ、行動パフォーマンスランドマーク、高レベルの概念的特徴を組み合わせています。 ユーザ特徴のみを用いたベースラインと,ユーザ特徴とアルゴリズム特徴の両方を用いた提案モデルという,5つのデータセットを対象としたメタラーナーの評価を行った。 その結果, アルゴリズム機能付きメタラーナーは, 平均NDCG@10の0.143を達成し, シングルベストアルゴリズムベースライン(0.128)よりも11.7%, 統計的に有意な改善が得られた。 しかし, アルゴリズム機能の導入は, ユーザ機能のみを用いたメタ学習者に比べて, NDCG@10全体の改善には至らなかった(0.144)。 メタラーナーにアルゴリズム機能を追加すると、Top-1選択精度(+16.1%)が向上したが、Top-3の精度(10.7%)が低下した。 我々は,レコメンデータシステムにおけるユーザ毎のアルゴリズム選択タスクにおいて,ユーザ特徴の予測能力は圧倒的に支配的であると結論付けた。 アルゴリズム機能は選択精度を向上するが、全体的なパフォーマンスを高める可能性の解放は、それほど難しい課題ではない。

関連論文リスト

• Algorithm Selection for Recommender Systems via Meta-Learning on Algorithm Characteristics [0.11510009152620666]
  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。
  論文  参考訳（メタデータ） (2025-08-06T13:06:24Z)
• 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)
• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• 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)
• 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)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)
• Siamese Meta-Learning and Algorithm Selection with 'Algorithm-Performance Personas' [Proposal] [0.0]
  メタラーニングによるアルゴリズム選択の鍵は、しばしばメタラーナーを効果的に訓練するのに十分な情報を提供しない(メタ)機能である。 本稿では,メタ機能よりも「パフォーマンス」に重点を置く自動アルゴリズム選択のためのSiamese Neural Networkアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-06-22T15:12:21Z)
• 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。