論文の概要: tensorFM: Low-Rank Approximations of Cross-Order Feature Interactions
- arxiv url: http://arxiv.org/abs/2602.15229v1
- Date: Mon, 16 Feb 2026 22:21:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-18 16:03:17.921558
- Title: tensorFM: Low-Rank Approximations of Cross-Order Feature Interactions
- Title（参考訳）: tensorFM: クロスオーダー機能インタラクションの低ランク近似
- Authors: Alessio Mazzetto, Mohammad Mahdi Khalili, Laura Fee Nern, Michael Viderman, Alex Shtoff, Krzysztof Dembczyński,
- Abstract要約: 本研究では,属性間の高次相互作用を効率的にキャプチャする新しいモデルであるtensorFMを導入・解析する。
本モデルは,フィールド重み付き因子化マシンを一般化する。
- 参考スコア（独自算出の注目度）: 9.639724882375162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address prediction problems on tabular categorical data, where each instance is defined by multiple categorical attributes, each taking values from a finite set. These attributes are often referred to as fields, and their categorical values as features. Such problems frequently arise in practical applications, including click-through rate prediction and social sciences. We introduce and analyze {tensorFM}, a new model that efficiently captures high-order interactions between attributes via a low-rank tensor approximation representing the strength of these interactions. Our model generalizes field-weighted factorization machines. Empirically, tensorFM demonstrates competitive performance with state-of-the-art methods. Additionally, its low latency makes it well-suited for time-sensitive applications, such as online advertising.
- Abstract（参考訳）: 表付き分類データの予測問題に対処し、各インスタンスは複数のカテゴリ属性で定義され、それぞれが有限集合から値を取る。
これらの属性はしばしばフィールドと呼ばれ、そのカテゴリ値は特徴として扱われる。
このような問題は、クリックスルー率の予測や社会科学など、実用的な応用でしばしば発生する。
本稿では,これらの相互作用の強さを表す低ランクテンソル近似を用いて,属性間の高次相互作用を効率的にキャプチャする新しいモデルであるtensorFMを紹介し,解析する。
本モデルは,フィールド重み付き因子化マシンを一般化する。
経験的に、tensorFMは最先端の手法と競合する性能を示す。
さらに、レイテンシの低いため、オンライン広告のような時間に敏感なアプリケーションにも適している。
関連論文リスト
- Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。
生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。
拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-12-31T18:31:46Z) - Explaining Categorical Feature Interactions Using Graph Covariance and LLMs [18.44675735926458]
本稿では,Counter Trafficking Data Collaborativeからのグローバルな合成データセットに焦点を当てる。
2002年から2022年にかけて20,000件以上の匿名化された記録があり、それぞれのレコードに多くの分類学的特徴がある。
本稿では,重要な分類的特徴の相互作用を分析し,抽出するための高速でスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2025-01-24T21:41:26Z) - Common-Sense Bias Modeling for Classification Tasks [15.683471433842492]
テキスト記述に基づく画像データセットの包括的バイアスを抽出する新しい枠組みを提案する。
提案手法は,複数の画像ベンチマークデータセットにおける新しいモデルバイアスを明らかにする。
発見されたバイアスは、機能の非相関化のために、単純なデータ再重み付けによって緩和することができる。
論文 参考訳（メタデータ） (2024-01-24T03:56:07Z) - MMoE: Enhancing Multimodal Models with Mixtures of Multimodal Interaction Experts [92.76662894585809]
MMOE(Multimodal Mixtures of Experts)と呼ばれるマルチモーダルモデルの拡張手法を導入する。
MMoEは様々な種類のモデルに適用でき、改善できる。
論文 参考訳（メタデータ） (2023-11-16T05:31:21Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳（メタデータ） (2023-05-17T17:47:19Z) - Nonparametric Embeddings of Sparse High-Order Interaction Events [21.758306786651772]
高次相互作用イベントは現実世界のアプリケーションでは一般的である。
スパース高次相互作用イベントの非埋め込みを提案する。
我々は効率的でスケーラブルなモデル推論アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-07-08T01:25:34Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳（メタデータ） (2022-07-05T14:55:16Z)
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。