論文の概要: Generalization Bounds for Semi-supervised Matrix Completion with Distributional Side Information

• arxiv url: http://arxiv.org/abs/2511.13049v1
• Date: Mon, 17 Nov 2025 06:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.791373
• Title: Generalization Bounds for Semi-supervised Matrix Completion with Distributional Side Information
• Title（参考訳）: 分布側情報を用いた半教師付き行列補完の一般化境界
• Authors: Antoine Ledent, Mun Chong Soo, Nong Minh Hieu,
• Abstract要約: 本稿では, 基底真理$R$行列と未知のサンプリング分布$P$が低ランク行列である行列完備化問題について検討する。 真の一般化誤差は、それぞれ$P$と基底真理行列$ground$の見積もりに対応する独立した誤差項に分解されることを示す。
• 参考スコア（独自算出の注目度）: 14.149880038429485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study a matrix completion problem where both the ground truth $R$ matrix and the unknown sampling distribution $P$ over observed entries are low-rank matrices, and \textit{share a common subspace}. We assume that a large amount $M$ of \textit{unlabeled} data drawn from the sampling distribution $P$ is available, together with a small amount $N$ of labeled data drawn from the same distribution and noisy estimates of the corresponding ground truth entries. This setting is inspired by recommender systems scenarios where the unlabeled data corresponds to `implicit feedback' (consisting in interactions such as purchase, click, etc. ) and the labeled data corresponds to the `explicit feedback', consisting of interactions where the user has given an explicit rating to the item. Leveraging powerful results from the theory of low-rank subspace recovery, together with classic generalization bounds for matrix completion models, we show error bounds consisting of a sum of two error terms scaling as $\widetilde{O}\left(\sqrt{\frac{nd}{M}}\right)$ and $\widetilde{O}\left(\sqrt{\frac{dr}{N}}\right)$ respectively, where $d$ is the rank of $P$ and $r$ is the rank of $M$. In synthetic experiments, we confirm that the true generalization error naturally splits into independent error terms corresponding to the estimations of $P$ and and the ground truth matrix $\ground$ respectively. In real-life experiments on Douban and MovieLens with most explicit ratings removed, we demonstrate that the method can outperform baselines relying only on the explicit ratings, demonstrating that our assumptions provide a valid toy theoretical setting to study the interaction between explicit and implicit feedbacks in recommender systems.
• Abstract（参考訳）: 我々は、基底真理$R$行列と未知のサンプリング分布$P$が低ランク行列である行列完備化問題と、共有部分空間であるtextit{share a common subspace} について検討する。 サンプリング分布$P$から引き出された大量の$M$と、同じ分布から引き出されたラベル付きデータの少量の$N$と、対応する基底真理エントリのノイズ推定が可能であると仮定する。 この設定は、ラベル付けされていないデータが'implicit feedback'(購入、クリックなどのインタラクションを構成する)に対応し、ラベル付けされたデータが'explicit feedback'に対応し、ユーザがアイテムに明示的な評価を与えているインタラクションからなるリコメンデーションシステムシナリオにインスパイアされている。 低ランク部分空間回復の理論による強力な結果を活用すると、行列完備化モデルの古典的な一般化境界とともに、$\widetilde{O}\left(\sqrt {\frac{nd}{M}}\right)$と$\widetilde{O}\left(\sqrt {\frac{dr}{N}}\right)$の2つの誤差項の合計からなる誤差境界が示され、$d$は$P$のランク、$r$は$M$のランクである。 合成実験において、真の一般化誤差は自然に$P$と基底真理行列$\ground$の見積もりに対応する独立した誤差項に分裂することを確認した。 実生活におけるDoubanとMovieLensの明確な評価を除いた実験では,提案手法は明示的な評価のみに頼ってベースラインを上回り,我々の仮定が推薦システムにおける明示的なフィードバックと暗黙的なフィードバックの相互作用を研究する上で有効なおもちゃの理論的設定を提供することを示した。

関連論文リスト

• Inverse Entropic Optimal Transport Solves Semi-supervised Learning via Data Likelihood Maximization [72.69498649272347]
  条件分布は機械学習の中心的な問題です ペアデータとペアデータの両方を統合する新しいパラダイムを提案する。 提案手法は任意の誤差で理論上真の条件分布を復元可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-03T16:12:59Z)
• Out-Of-Domain Unlabeled Data Improves Generalization [0.7589678255312519]
  本稿では,ラベルなしデータを半教師付き分類問題に組み込む新しい枠組みを提案する。 ラベルのないサンプルは一般化ギャップを狭めるために利用できることを示す。 我々は、さまざまな合成および実世界のデータセットで実施された実験を通じて、我々の主張を検証する。
  論文  参考訳（メタデータ） (2023-09-29T02:00:03Z)
• Tackling Combinatorial Distribution Shift: A Matrix Completion Perspective [42.85196869759168]
  a) テストランダムデータおよびトレーニングランダムデータの下で、ラベル$z$は、(x,y)$, (b) トレーニングディストリビューションは、別々に$x$と$y$の限界分布をカバーしているが、(c) テストディストリビューションは、トレーニングディストリビューションがカバーしていない製品ディストリビューションの例を含む。
  論文  参考訳（メタデータ） (2023-07-12T21:17:47Z)
• Low-rank Matrix Recovery With Unknown Correspondence [62.634051913953485]
  我々は、M$の回復のために証明不可能な非漸近誤差を伴い、M$の適切な低ランク条件下で核ノルム最小化問題を解くことで、M$を回復可能であることを示す。 シミュレーションデータの実験、MovieLens 100KデータセットとYale Bデータベースは、$textM3textOがいくつかのベースラインで最先端のパフォーマンスを達成し、高精度な地上真実対応を回復できることを示した。
  論文  参考訳（メタデータ） (2021-10-15T09:27:50Z)
• Leveraged Matrix Completion with Noise [84.20092979053119]
  未知の$ntimes n$ matrix of rank $r$ from just $mathcalO(nrlog2 (n))$ entry. 我々の証明は、ゴルフスキームに基づく十分な最適条件を記述する新しいアプローチによって支持されている。
  論文  参考訳（メタデータ） (2020-11-11T16:25:45Z)

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。