論文の概要: Why not Collaborative Filtering in Dual View? Bridging Sparse and Dense Models

• arxiv url: http://arxiv.org/abs/2601.09286v1
• Date: Wed, 14 Jan 2026 08:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.339451
• Title: Why not Collaborative Filtering in Dual View? Bridging Sparse and Dense Models
• Title（参考訳）: デュアルビューでの協調フィルタリングはなぜ可能か? : 疎水化モデルと高密度モデル
• Authors: Hanze Guo, Jianxun Lian, Xiao Zhou,
• Abstract要約: 協調フィルタリングは現代のレコメンデーターシステムの基盤となっている。 密埋め込みのセマンティック表現性とスパース相互作用パターンの構造的信頼性を統合した統合フレームワークSaD(Sparse and Dense)を提案する。 これら2つの視点を整合させることで、より優れたグローバルSNRが得られることを示す。
• 参考スコア（独自算出の注目度）: 17.01882282913444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative Filtering (CF) remains the cornerstone of modern recommender systems, with dense embedding--based methods dominating current practice. However, these approaches suffer from a critical limitation: our theoretical analysis reveals a fundamental signal-to-noise ratio (SNR) ceiling when modeling unpopular items, where parameter-based dense models experience diminishing SNR under severe data sparsity. To overcome this bottleneck, we propose SaD (Sparse and Dense), a unified framework that integrates the semantic expressiveness of dense embeddings with the structural reliability of sparse interaction patterns. We theoretically show that aligning these dual views yields a strictly superior global SNR. Concretely, SaD introduces a lightweight bidirectional alignment mechanism: the dense view enriches the sparse view by injecting semantic correlations, while the sparse view regularizes the dense model through explicit structural signals. Extensive experiments demonstrate that, under this dual-view alignment, even a simple matrix factorization--style dense model can achieve state-of-the-art performance. Moreover, SaD is plug-and-play and can be seamlessly applied to a wide range of existing recommender models, highlighting the enduring power of collaborative filtering when leveraged from dual perspectives. Further evaluations on real-world benchmarks show that SaD consistently outperforms strong baselines, ranking first on the BarsMatch leaderboard. The code is publicly available at https://github.com/harris26-G/SaD.
• Abstract（参考訳）: CF(Collaborative Filtering)は現代のレコメンデータシステムの基盤であり、密着型埋め込みに基づく手法が現在の実践を支配している。 しかし、これらの手法には限界があり、この理論解析により、パラメータベースの高密度モデルが重大データ空間下でSNRを減少させるような不人気アイテムをモデル化する際に、基本信号対雑音比(SNR)の天井が明らかになる。 このボトルネックを克服するために,密埋め込みのセマンティック表現性とスパース相互作用パターンの構造的信頼性を統合する統合フレームワークSaD(Sparse and Dense)を提案する。 理論的には、これらの双対観を整合させることで、より優れた大域的SNRが得られることが示される。 密なビューは意味的相関を注入することでスパースビューを豊かにし、スパースビューは明示的な構造信号を通して密なモデルを規則化する。 この双対ビューアライメントの下では、単純な行列因数分解-スタイルの高密度モデルでさえ、最先端の性能を達成できることを示した。 さらに、SaDはプラグ・アンド・プレイであり、複数の既存の推奨モデルにシームレスに適用でき、二重視点から考えるとコラボレーティブ・フィルタリングの永続的なパワーが強調される。 実世界のベンチマークに関するさらなる評価は、SaDが強いベースラインを一貫して上回り、BarsMatchのリーダーボードにランクインしていることを示している。 コードはhttps://github.com/harris26-G/SaD.comで公開されている。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• One-Step Offline Distillation of Diffusion-based Models via Koopman Modeling [26.913398550088477]
  クープマン蒸留モデル(Koopman Distillation Model, KDM)は, クープマン理論に基づく新しいオフライン蒸留手法である。 KDMは、学習された線形作用素がそれらを前方に伝播する埋め込み空間にノイズのある入力を符号化し、続いてクリーンなサンプルを再構成するデコーダを符号化する。 KDMは標準のオフライン蒸留ベンチマークで高い競争力を発揮する。
  論文  参考訳（メタデータ） (2025-05-19T16:59:47Z)
• CL-MVSNet: Unsupervised Multi-view Stereo with Dual-level Contrastive Learning [32.65909515998849]
  CL-MVSNetという2段階のコントラスト学習手法を提案する。 具体的には、2つの対照的な分岐を教師なしMVSフレームワークに統合し、追加の監視信号を構築する。 提案手法は,すべてのエンドツーエンドのMVSフレームワークの最先端性能を達成し,微調整を行なわずに教師付きフレームワークをかなりの差で上回っている。
  論文  参考訳（メタデータ） (2025-03-11T09:39:06Z)
• Fast Disentangled Slim Tensor Learning for Multi-view Clustering [28.950845031752927]
  本稿では,マルチビュークラスタリングのための高速離散スリム学習法(DSTL)を提案する。 頑健なPCAにインスパイアされた特徴冗長性の負の影響を軽減するため、DSTLは、潜在する低次元表現を、各ビューに対する意味的非関連部分と意味的関連部分に分解する。 提案手法は計算効率が高く,効果的に解ける。
  論文  参考訳（メタデータ） (2024-11-12T09:57:53Z)
• A Simple and Generalist Approach for Panoptic Segmentation [57.94892855772925]
  本稿では,深部エンコーダ-浅部デコーダアーキテクチャに基づく簡易な一般化フレームワークを提案する。 これはトレーニング中の不均衡に起因することを示し、その削減のための新しい方法を提案する。 提案手法は,MS-COCOデータセット上で55.1のPQを実現する。
  論文  参考訳（メタデータ） (2024-08-29T13:02:12Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Language as a Latent Sequence: deep latent variable models for semi-supervised paraphrase generation [47.33223015862104]
  本稿では,観測されたテキストから遅延シーケンス推論を行うVSARという新しい教師なしモデルを提案する。 また、テキストペアからの情報を活用するために、提案したVSARモデルと統合するために設計されたDDLと呼ばれる新しい教師付きモデルを導入する。 実験により, このモデルを組み合わせることで, 完全データに基づく最先端の教師付きベースラインに対して, 競争性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-01-05T19:35:30Z)
• Consistency Regularization for Deep Face Anti-Spoofing [69.70647782777051]
  顔認証システムでは、顔認証(FAS)が重要な役割を担っている。 このエキサイティングな観察によって、異なる視点の特徴整合性を促進することが、FASモデルを促進するための有望な方法かもしれないと推測する。 FASにおけるEPCR(Embeddding-level and Prediction-level Consistency Regularization)とEPCR(Embeddding-level Consistency Regularization)を併用した。
  論文  参考訳（メタデータ） (2021-11-24T08:03:48Z)

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。