論文の概要: Beyond Instance-Level Alignment and Uniformity: Semantic Factor Learning for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2605.31414v1
• Date: Fri, 29 May 2026 15:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.693225
• Title: Beyond Instance-Level Alignment and Uniformity: Semantic Factor Learning for Collaborative Filtering
• Title（参考訳）: インスタンスレベルアライメントと均一性を超えて:協調フィルタリングのための意味的因子学習
• Abstract要約: CF(Collaborative Filtering)は、シンプルで効率的なレコメンデータシステム(RecSys)で広く使われている。 既存のCFメソッドは、インスタンスレベルの学習パラダイムに従う。 本稿では,セマンティック・ファクタの強化と一様性(SaFeAU)を提案する。 SaFeAU はGCN と MF をベースとした最先端の CF 手法を、推奨精度と計算効率の両方で一貫して上回っている。
• 参考スコア（独自算出の注目度）: 1.5984637249476494
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Collaborative filtering (CF) is widely used in recommender systems (RecSys) due to its simplicity and efficiency. However, existing CF methods follow an instance-level learning paradigm. During the instance learning stage, a large number of uninteracted user-item instances, of which items are potential interested by the user, are incorrectly treated as true negative samples resulting in a severe limitation to the generalization and scalability of models. Moreover, mainstream graph convolutional networks (GCNs) inherently suffer from high computational cost and over-smoothing issues, which limit the ability in capturing higher-order connectivity and lead to a poor generalization under sparse supervision signals. To address the above limitations, we propose Semantic Factor enhanced Alignment and Uniformity (SaFeAU), a novel framework that augments interacted instances with semantic factors, thereby mitigating false negative labeling and enabling matrix factorization (MF) to capture high-order CF signals without graph neighborhood aggregation. Specifically, SaFeAU consists of three tightly coupled components. First, Semantic Factor Routing (SFR) disentangles item representations into independent and global semantic factors. Building on these factors, Semantic Factor Matching (SFM) identifies uninteracted items, which share the same semantic factors with interacted ones, as potential positive pairs for enriching sparse supervision signals. Finally, Semantic Pairs Alignment (SPA) aligns both observed and potential positive pairs while promoting uniformity of user and item representations. Extensive experiments on four sparse real-world datasets show that SaFeAU consistently outperforms GCN-based and MF-based state-of-the-art CF methods in both recommendation accuracy and computational efficiency, confirming the effectiveness of the proposed semantic enhanced learning paradigm.
• Abstract（参考訳）: CF(Collaborative Filtering)は、シンプルで効率的なレコメンデータシステム(RecSys)で広く使われている。 しかし、既存のCFメソッドはインスタンスレベルの学習パラダイムに従う。 インスタンス学習の段階では、多数の未処理のユーザ-テムインスタンスが、そのアイテムがユーザから潜在的に興味を持つ可能性があるが、真の負のサンプルとして誤って扱われ、結果としてモデルの一般化と拡張性に深刻な制限が生じる。 さらに、メインストリームグラフ畳み込みネットワーク(GCN)は、本質的に高い計算コストと過度にスムースな問題に悩まされ、高次の接続を捕捉する能力が制限され、疎い監視信号の下での一般化が不十分になる。 上記の制限に対処するため,セマンティック・ファクタ拡張アライメント・アンド・ユニフォーフィティ(SaFeAU)を提案する。セマンティック・ファクタは,セマンティック・ファクタとセマンティック・ファクターの相互作用を拡大し,偽陰性ラベリングを緩和し,行列分解(MF)によりグラフ近傍のアグリゲーションなしで高次CF信号を捕捉する機構である。 具体的には、SaFeAUは3つの密結合コンポーネントから構成される。 第一に、セマンティック・ファクター・ルーティング(SFR)はアイテム表現を独立的およびグローバルな意味要因に分解する。 これらの要因に基づいて、意味的因子マッチング(Semantic Factor Matching, SFM)は、相互作用した要素と同じ意味的因子を共有する非相互作用項目を、疎い監視信号の強化のための潜在的正のペアとして同定する。 最後に、セマンティックペアアライメント(SPA)は、ユーザとアイテムの統一性を促進しながら、観測されたペアと潜在的ポジティクスの両方を整列させる。 4つのスパース実世界のデータセットに対する大規模な実験により、SaFeAUはGCNベースおよびMFベースの最先端CF法を、推奨精度と計算効率の両方で一貫して上回り、提案したセマンティック強化学習パラダイムの有効性を確認した。

関連論文リスト

• FedCVU: Federated Learning for Cross-View Video Understanding [9.33706986632036]
  フェデレートラーニング(FL)は、プライバシー保護のためのマルチカメラビデオ理解のための有望なパラダイムとして登場した。 FLをクロスビューシナリオに適用することは、(i)不均一な視点と背景が、高度に非IIDクライアントの配布につながること、(ii)局所的な分布バイアスが、不整合表現を引き起こすこと、(iii)大規模なビデオアーキテクチャが、禁止的な通信オーバーヘッドを引き起こすこと、の3つの大きな課題に直面します。 我々は,VS-Norm,CV-Align,軽量コントラスト正規化モジュール,SLAの3つのコンポーネントからなるフェデレーションフレームワークであるFedCVUを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:26:55Z)
• Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering [27.20519975467197]
  Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。 この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
  論文  参考訳（メタデータ） (2026-02-24T17:01:47Z)
• Empowering Contrastive Federated Sequential Recommendation with LLMs [13.016120865205258]
  フェデレートシーケンシャルレコメンデーション(FedSeqRec)は、ユーザのデータを分散化しながら、次のイテム予測を実行することを目的としている。 パラメータ分離型FedSeqRecアーキテクチャである textbfLUMOS を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:47:43Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• 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)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• Disentangled Contrastive Collaborative Filtering [36.400303346450514]
  グラフコントラスト学習(GCL)は、監督ラベル不足問題に対処する上で、強力な性能を示した。 本稿では,自己監督型拡張による意図的ゆがみを実現するために,DCCF(Disentangled Contrasative Collaborative Filtering framework)を提案する。 我々のDCCFは、絡み合った自己超越信号からより微細な潜伏因子を蒸留できるだけでなく、増大による騒音を軽減することができる。
  論文  参考訳（メタデータ） (2023-05-04T11:53:38Z)
• Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
  現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。 我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。 特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
  論文  参考訳（メタデータ） (2022-07-14T01:45:03Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。