論文の概要: Pseudo Label NCF for Sparse OHC Recommendation: Dual Representation Learning and the Separability Accuracy Trade off

• arxiv url: http://arxiv.org/abs/2603.24750v1
• Date: Wed, 25 Mar 2026 19:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.957951
• Title: Pseudo Label NCF for Sparse OHC Recommendation: Dual Representation Learning and the Separability Accuracy Trade off
• Title（参考訳）: Pseudo Label NCF for Sparse OHC Recommendation: Dual Representation Learning and the Separability Accuracy Trade off
• Authors: Pronob Kumar Barman, Tera L. Reynolds. James Foulds,
• Abstract要約: 調査駆動環境における極端相互作用空間下でのレコメンデーションについて検討した。 我々は,行列因子化,多層パーセプトロン,NeuMFなどの協調フィルタリングアーキテクチャを拡張し,サーベイグループ特徴アライメントから擬似ラベルを抽出する。 結果として得られる Pseudo Label NCF は双対埋め込み空間を学習する: ランク付けのための主埋め込みとセマンティックアライメントのための擬似ラベル埋め込みである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online Health Communities connect patients for peer support, but users face a discovery challenge when they have minimal prior interactions to guide personalization. We study recommendation under extreme interaction sparsity in a survey driven setting where each user provides a 16 dimensional intake vector and each support group has a structured feature profile. We extend Neural Collaborative Filtering architectures, including Matrix Factorization, Multi Layer Perceptron, and NeuMF, with an auxiliary pseudo label objective derived from survey group feature alignment using cosine similarity mapped to [0, 1]. The resulting Pseudo Label NCF learns dual embedding spaces: main embeddings for ranking and pseudo label embeddings for semantic alignment. We evaluate on a dataset of 165 users and 498 support groups using a leave one out protocol that reflects cold start conditions. All pseudo label variants improve ranking performance: MLP improves HR@5 from 2.65% to 5.30%, NeuMF from 4.46% to 5.18%, and MF from 4.58% to 5.42%. Pseudo label embedding spaces also show higher cosine silhouette scores than baseline embeddings, with MF improving from 0.0394 to 0.0684 and NeuMF from 0.0263 to 0.0653. We further observe a negative correlation between embedding separability and ranking accuracy, indicating a trade off between interpretability and performance. These results show that survey derived pseudo labels improve recommendation under extreme sparsity while producing interpretable task specific embedding spaces.
• Abstract（参考訳）: オンライン健康コミュニティは、患者をピアサポートに結びつけるが、ユーザーはパーソナライゼーションをガイドするために、最小限の事前のやりとりがある場合、発見の課題に直面している。 本研究では,16次元のインテークベクトルをユーザが提供し,各サポートグループが構成された特徴プロファイルを持つサーベイ駆動環境において,極端な相互作用空間下でのレコメンデーションについて検討する。 我々は,[0, 1]にマッピングしたコサイン類似度を用いて,サーベイグループ特徴アライメントから導出した擬似ラベルを,行列因子化,多層パーセプトロン,ノイマフなどのニューラルコラボレーティブフィルタアーキテクチャを拡張した。 結果として得られる Pseudo Label NCF は双対埋め込み空間を学習する: ランク付けのための主埋め込みとセマンティックアライメントのための擬似ラベル埋め込みである。 我々は,コールドスタート条件を反映したLeft 1outプロトコルを用いて,165名のユーザと498名のサポートグループからなるデータセットを評価した。 MLPはHR@5を2.65%から5.30%に、NeuMFを4.46%から5.18%に、MFを4.58%から5.42%に改善している。 擬似ラベル埋め込み空間は、ベースライン埋め込みよりも高いコサインシルエットスコアを示し、MFは0.0394から0.0684、NeuMFは0.0263から0.0653に改善された。 さらに、埋め込みセパビリティとランキング精度の負の相関を観察し、解釈可能性と性能のトレードオフを示す。 これらの結果から,疑似ラベルを用いた調査では,解釈可能なタスク固有埋め込み空間を創出しながら,極端に疎遠な条件下でのレコメンデーションが向上することが示唆された。

関連論文リスト

• PANC: Prior-Aware Normalized Cut for Object Segmentation [0.0]
  本稿では,最小限の注釈付き視覚トークンを用いた弱教師付きスペクトルセグメンテーションフレームワークを提案する。 均質, 細粒, テクスチャ制限ドメインについて, 強い結果を報告した。 マルチオブジェクトベンチマークでは、明示的でユーザ制御可能なセマンティックセマンティックセグメンテーションが紹介されている。
  論文  参考訳（メタデータ） (2026-02-06T18:07:20Z)
• Polypersona: Persona-Grounded LLM for Synthetic Survey Responses [1.3225135098402387]
  PolyPersonaは、複数のドメインにわたるペルソナ条件のサーベイレスポンスを合成するための生成フレームワークである。 10のドメインと433の異なるペルソナにまたがる3,568の総合的なサーベイ応答のデータセットを構築した。 その結果, TinyLlama 1.1B や Phi-2 などのコンパクトモデルでは, 7B から 8B のベースラインに匹敵する性能が得られた。
  論文  参考訳（メタデータ） (2025-12-16T16:33:23Z)
• Vectorized Context-Aware Embeddings for GAT-Based Collaborative Filtering [0.0]
  本稿では,Large Language Model (LLM) により拡張されたグラフ注意ネットワーク(GAT)ベースの協調フィルタリングフレームワークについて述べる。 MovieLens 100kと1Mデータセットの実験では、Precision、NDCG、MAPの最先端ベースラインに対して一貫した改善が見られた。 提案手法は,LLMに基づく文脈理解をグラフアーキテクチャに組み込むことで,空間性やコールドスタートの制限を効果的に緩和する。
  論文  参考訳（メタデータ） (2025-10-30T13:07:39Z)
• ELSPR: Evaluator LLM Training Data Self-Purification on Non-Transitive Preferences via Tournament Graph Reconstruction [25.85736569130897]
  大規模言語モデル(LLM)のペアワイズ評価は、オープンエンドタスクのベンチマークにおいて支配的なパラダイムとなっている。 この重要な問題は、本質的に曖昧な選好ペアを含む低品質データに起因していることを示す。 トーナメントグラフとしてペアの選好をモデル化する,原則付きグラフ理論フレームワークであるESSPRを提案する。
  論文  参考訳（メタデータ） (2025-05-23T10:00:03Z)
• Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
  本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。 UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
  論文  参考訳（メタデータ） (2025-03-13T02:21:04Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
  本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。 このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。 完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-10-14T10:44:47Z)
• A Debiased Nearest Neighbors Framework for Multi-Label Text Classification [13.30576550077694]
  マルチラベルテキスト分類(MLTC)のためのDebiased Nearest Neighbors(DENN)フレームワークについて紹介する。 組込みアライメントバイアスに対処するために,ラベル共起における近傍の一貫性を向上する,非バイアス付きコントラスト学習戦略を提案する。 信頼度推定バイアスには,$k$NNの予測と帰納的二分分類の適応的組み合わせを改善し,偏りのある信頼度推定戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-06T14:00:23Z)
• PointMatch: A Consistency Training Framework for Weakly Supervised Semantic Segmentation of 3D Point Clouds [117.77841399002666]
  本稿では,データ自体から十分な情報を探索するために整合性正規化を適用することで,データとラベルの両面に立つ新しいフレームワークであるPointMatchを提案する。 提案したPointMatchは、ScanNet-v2データセットとS3DISデータセットの両方で、様々な弱い教師付きスキームの下で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-22T07:26:31Z)

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。