論文の概要: Generalizing Linear Autoencoder Recommenders with Decoupled Expected Quadratic Loss

• arxiv url: http://arxiv.org/abs/2603.07402v1
• Date: Sun, 08 Mar 2026 01:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.405819
• Title: Generalizing Linear Autoencoder Recommenders with Decoupled Expected Quadratic Loss
• Title（参考訳）: 二次損失を非結合化した線形オートエンコーダの一般化
• Authors: Ruixin Guo, Xinyu Li, Hao Zhou, Yang Zhou, Ruoming Jin,
• Abstract要約: 線形オートエンコーダ(LAE)は、単純で経験的性能の強いレコメンデータシステムで人気が高まっている。 EDLAE(Emphasized Denoising Linear Autoencoder (EDLAE))を含むEDLAEモデルは、トレーニング中に二次的損失を使用する。 本研究では,EDLAEの目的をデカップリングされた擬似損失(DEQL)に一般化する。
• 参考スコア（独自算出の注目度）: 14.465191199162497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Linear autoencoders (LAEs) have gained increasing popularity in recommender systems due to their simplicity and strong empirical performance. Most LAE models, including the Emphasized Denoising Linear Autoencoder (EDLAE) introduced by (Steck, 2020), use quadratic loss during training. However, the original EDLAE only provides closed-form solutions for the hyperparameter choice $b = 0$, which limits its capacity. In this work, we generalize EDLAE objective into a Decoupled Expected Quadratic Loss (DEQL). We show that DEQL simplifies the process of deriving EDLAE solutions and reveals solutions in a broader hyperparameter range $b > 0$, which were not derived in Steck's original paper. Additionally, we propose an efficient algorithm based on Miller's matrix inverse theorem to ensure the computational tractability for the $b > 0$ case. Empirical results on benchmark datasets show that the $b > 0$ solutions provided by DEQL outperform the $b = 0$ EDLAE baseline, demonstrating that DEQL expands the solution space and enables the discovery of models with better testing performance.
• Abstract（参考訳）: 線形オートエンコーダ(LAE)は、単純で経験的性能の強いレコメンデータシステムで人気が高まっている。 ほとんどのRAEモデルは、(Steck, 2020)によって導入されたEmphasized Denoising Linear Autoencoder (EDLAE)を含む、訓練中に二次的な損失を使用する。 しかし、元々の EDLAE は、ハイパーパラメータの選択を$b = 0$ に限定して、その容量を制限する閉形式解のみを提供する。 本研究では,EDLAEの目的をDecoupled expecteded Quadratic Loss (DEQL)に一般化する。 DeQL は EDLAE ソリューションの導出過程を単純化し,Steck の論文では導出されていないより広いハイパーパラメータの範囲 ($b > 0$) での解を明らかにする。 さらに、Millerの行列逆定理に基づく効率的なアルゴリズムを提案し、$b > 0$の場合の計算的トラクタビリティを保証する。 ベンチマークデータセットの実証的な結果によると、DreQLが提供する$b > 0$ソリューションは、$b = 0$ EDLAEベースラインを上回り、DreQLがソリューション空間を拡張し、より良いテストパフォーマンスを持つモデルの発見を可能にすることを示した。

関連論文リスト

• $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
  $nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。 $nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-05T08:42:54Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• Optimal Robust Recourse with $L^p$-Bounded Model Change [1.1151457846264181]
  データ分散や環境の変化を反映するために、しばしばモデルが更新される。 一般化線形モデルに対する最適ロバストなリコースを確実に計算する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-25T15:11:51Z)
• $\ell_0$-Regularized Quadratic Surface Support Vector Machines [0.0]
  カーネルフリーの二次曲面支持ベクトルマシンは、カーネル関数に依存することなく非線形決定境界をモデル化する柔軟性により、近年注目を集めている。 本稿では,モデルパラメータに濃度制約を課すことにより,QSVMのスパース変種を提案する。 我々は,いくつかの実世界のデータセットに対するアプローチを検証し,高い分類性能を維持しながらオーバーフィッティングを低減できることを実証した。
  論文  参考訳（メタデータ） (2025-01-20T04:26:34Z)
• Sparse Linear Regression and Lattice Problems [8.453845416713385]
  格子問題の平均ケース硬度を仮定したSLRw.r.t.の全ての効率的なアルゴリズムの平均ケース硬度を示す。 具体的には,SLR に対する格子上の境界距離復号法 (BDD) 問題の変種からインスタンス・バイ・インスタンス・リダクションを与える。
  論文  参考訳（メタデータ） (2024-02-22T15:45:27Z)
• Minimax Optimal Quantization of Linear Models: Information-Theoretic Limits and Efficient Algorithms [59.724977092582535]
  測定から学習した線形モデルの定量化の問題を考える。 この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。 本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-23T02:39:04Z)
• Adiabatic Quantum Feature Selection for Sparse Linear Regression [0.17499351967216337]
  合成および実世界のデータセット上でQUBOソリューションの品質を定式化し比較する。 その結果, 最適解を求める上で, 提案した断熱量子コンピューティング手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-06-04T09:14:01Z)
• Is Plug-in Solver Sample-Efficient for Feature-based Reinforcement Learning? [30.065091907118827]
  本研究は,マルコフ決定過程(MDP)における$epsilon$-optimal Policyの発見の複雑さについて考察する。 実験モデルを構築し,任意のプラグインソルバを用いて実験モデルを計画するプラグインソルバ手法を用いてこの問題を解決する。 プラグインアプローチはサンプル効率も向上し,強化学習のためのモデルベースアルゴリズムを設計するための柔軟なアプローチを提供する。
  論文  参考訳（メタデータ） (2020-10-12T13:13:01Z)
• Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal Sample Complexity [67.02490430380415]
  モデルに基づくMARLは、Nash平衡値(NE)を求めるために$tilde O(|S||B|(gamma)-3epsilon-2)$のサンプル複雑性を実現する。 また、アルゴリズムが報酬に依存しない場合、そのようなサンプル境界は最小値(対数因子まで)であり、アルゴリズムは報酬知識のない遷移サンプルを問合せする。
  論文  参考訳（メタデータ） (2020-07-15T03:25:24Z)
• FANOK: Knockoffs in Linear Time [73.5154025911318]
  本稿では,ガウスモデル-Xノックオフを効率的に実装し,大規模特徴選択問題における誤発見率を制御するアルゴリズムについて述べる。 当社のメソッドは、最大50,000ドルという問題でテストしています。
  論文  参考訳（メタデータ） (2020-06-15T21:55:34Z)

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。