論文の概要: On the Mechanisms of Collaborative Learning in VAE Recommenders

• arxiv url: http://arxiv.org/abs/2511.06781v1
• Date: Mon, 10 Nov 2025 07:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.130134
• Title: On the Mechanisms of Collaborative Learning in VAE Recommenders
• Title（参考訳）: VAEレコメンダにおける協調学習のメカニズムについて
• Authors: Tung-Long Vuong, Julien Monteil, Hien Dang, Volodymyr Vaskovych, Trung Le, Vu Nguyen,
• Abstract要約: 変分オートエンコーダ(VAE)は行列分解の強力な代替手段である。 VAE-based collaborative filtering (CF) において, 協調がいかに生じるかを分析し, 潜時近接によって制御されることを示す。 分析はNetflix, MovieLens-20M, Million Songのデータセットで検証されている。
• 参考スコア（独自算出の注目度）: 12.77626224639472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variational Autoencoders (VAEs) are a powerful alternative to matrix factorization for recommendation. A common technique in VAE-based collaborative filtering (CF) consists in applying binary input masking to user interaction vectors, which improves performance but remains underexplored theoretically. In this work, we analyze how collaboration arises in VAE-based CF and show it is governed by latent proximity: we derive a latent sharing radius that informs when an SGD update on one user strictly reduces the loss on another user, with influence decaying as the latent Wasserstein distance increases. We further study the induced geometry: with clean inputs, VAE-based CF primarily exploits \emph{local} collaboration between input-similar users and under-utilizes global collaboration between far-but-related users. We compare two mechanisms that encourage \emph{global} mixing and characterize their trade-offs: (1) $\beta$-KL regularization directly tightens the information bottleneck, promoting posterior overlap but risking representational collapse if too large; (2) input masking induces stochastic geometric contractions and expansions, which can bring distant users onto the same latent neighborhood but also introduce neighborhood drift. To preserve user identity while enabling global consistency, we propose an anchor regularizer that aligns user posteriors with item embeddings, stabilizing users under masking and facilitating signal sharing across related items. Our analyses are validated on the Netflix, MovieLens-20M, and Million Song datasets. We also successfully deployed our proposed algorithm on an Amazon streaming platform following a successful online experiment.
• Abstract（参考訳）: 変分オートエンコーダ(VAE)は行列分解の強力な代替手段である。 VAEベースのコラボレーティブフィルタリング(CF)の一般的な手法は、ユーザインタラクションベクターにバイナリ入力マスキングを適用することである。 本研究では,VAE ベースの CF においてコラボレーションがどのように発生し,遅延近接によって支配されるかを分析し,あるユーザに対して SGD 更新が厳密に他のユーザへの損失を減少させると通知する潜時共有半径を導出する。 クリーンな入力により、VAEベースのCFは、入力類似ユーザ間のemph{local}コラボレーションを主に活用し、遠方のユーザ間のグローバルなコラボレーションを過小評価する。 1)$\beta$-KL正則化は情報ボトルネックを直接引き締め、後続の重複を助長するが、もし大きすぎると表現の崩壊を危険にさらす。 グローバルな整合性を確保しつつユーザアイデンティティを保ちつつ,ユーザ後部をアイテム埋め込みに整合させ,マスキングによるユーザ安定化を実現し,関連する項目間の信号共有を容易にするアンカーレギュレータを提案する。 分析はNetflix, MovieLens-20M, Million Songのデータセットで検証されている。 また、オンライン実験が成功した後、提案したアルゴリズムをAmazonストリーミングプラットフォームにデプロイすることに成功しました。

関連論文リスト

• Leave No One Behind: Fairness-Aware Cross-Domain Recommender Systems for Non-Overlapping Users [13.420661387194148]
  クロスドメインレコメンデーション(CDR)メソッドは、重複するユーザを利用して、ソースドメインからターゲットドメインに知識を転送する。 本稿では,重複しないターゲットドメインユーザに対して,仮想ソースドメインユーザを生成する新しいソリューションを提案する。 本手法は,CDR非重複ユーザのバイアスを,全体的な精度を損なうことなく効果的に軽減する。
  論文  参考訳（メタデータ） (2025-07-23T17:59:08Z)
• 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)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [61.540831911168226]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggはビザンツの攻撃やプライバシーの漏洩に耐性がある。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)
• Bootstrapping User and Item Representations for One-Class Collaborative Filtering [24.30834981766022]
  ワンクラスの協調フィルタリング(OCCF)は、ポジティブに関連があるがまだ相互作用していないユーザーとアイテムのペアを特定することです。 本論文では,否定的なサンプリングを必要としない新しいOCCFフレームワークであるBUIRを提案する。
  論文  参考訳（メタデータ） (2021-05-13T14:24:13Z)
• Modular Interactive Video Object Segmentation: Interaction-to-Mask, Propagation and Difference-Aware Fusion [68.45737688496654]
  本稿では,マスク間相互作用とマスク伝搬を分離するモジュール型対話型VOSフレームワークを提案する。 提案手法は,フレーム間インタラクションを少なくしつつ,現在の最先端アルゴリズムよりも優れることを示す。
  論文  参考訳（メタデータ） (2021-03-14T14:39:08Z)
• Leveraging Cross Feedback of User and Item Embeddings with Attention for Variational Autoencoder based Collaborative Filtering [25.569930256022925]
  本稿では,VAEをベースとしたベイズ型MFフレームワークを提案する。 このフレームワークは、ユーザとアイテムのエンコーダへの埋め込みの相互フィードバックを反復的に行う。 現在再サンプリングされているユーザとアイテムの埋め込みに対して、行列係数化によってデータを再構築する。
  論文  参考訳（メタデータ） (2020-02-21T06:05:06Z)

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。