論文の概要: An Ensembled Latent Factor Model via Differential Evolution and Gradient Descent Optimization
- arxiv url: http://arxiv.org/abs/2606.04408v1
- Date: Wed, 03 Jun 2026 03:36:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.516292
- Title: An Ensembled Latent Factor Model via Differential Evolution and Gradient Descent Optimization
- Title（参考訳）: 微分進化とグラディエント蛍光最適化による組立潜在因子モデル
- Authors: Rui Zhang, Jinhang Liu, Wenbo Zhang,
- Abstract要約: 本研究は,差分進化と勾配降下最適化(ELFM-DEGDO)による組立潜在因子モデルを提案する。
ELFM-DEGDOはHDIデータに対してより包括的でバイアスの少ない表現を生成することができる。
3つのHDIデータセットを用いて、ELFM-DEGDOが関連する複数の潜在因子モデルよりも一貫してパフォーマンスが良いことを示す。
- 参考スコア（独自算出の注目度）: 6.032353641677083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-dimensional and incomplete (HDI) data are prevalent in many real-world big data scenarios. Latent factor models serve as a common representation learning approach, capable of uncovering informative latent factors from such data. Nevertheless, most existing latent factor models rely solely on gradient descent for optimization, which may lead to insufficient and biased representations, particularly when dealing with heterogeneous HDI data. Thus, this study proposes an Ensembled Latent Factor Model via Differential Evolution and Gradient Descent Optimization (ELFM-DEGDO) with two-fold designed: 1) two diverse latent factor models are independently modeled via differential evolution and gradient descent optimization, respectively, and 2) the two diverse latent factor models are combined via a customized self-adaptive weighting mechanism to effectively fuse their strengths. By leveraging the complementary advantages of both optimization paradigms, ELFM-DEGDO is able to produce more comprehensive and less biased representations for HDI data. Three HDI datasets are tested to show that ELFM-DEGDO consistently performs better than related several latent factor models.
- Abstract（参考訳）: 高次元および不完全(HDI)データは、多くの実世界のビッグデータシナリオで広く使われている。
潜在因子モデルは共通の表現学習手法として機能し、情報的潜在因子をそのようなデータから発見することができる。
しかしながら、既存の潜在因子モデルの多くは最適化のために勾配降下のみに依存しており、不均一なHDIデータを扱う際には、不十分で偏りのある表現につながる可能性がある。
そこで本研究では,2次元設計による微分進化・勾配DEGDO(ELFM-DEGDO)を用いた組立潜在因子モデルを提案する。
1) 2つの異なる潜在因子モデルはそれぞれ差分進化と勾配降下最適化によって独立にモデル化される。
2)2種類の潜在因子モデルは,自己適応重み付け機構によって結合され,その強度を効果的に融合させる。
ELFM-DEGDOは、両方の最適化パラダイムの相補的な利点を利用して、HDIデータのより包括的でバイアスの少ない表現を生成することができる。
3つのHDIデータセットを用いて、ELFM-DEGDOが関連する複数の潜在因子モデルよりも一貫してパフォーマンスが良いことを示す。
関連論文リスト
- Evaluating Latent Generative Paradigms for High-Fidelity 3D Shape Completion from a Single Depth Image [8.280737466900135]
拡散確率モデルと自己回帰因果変換の2つの有望な生成モデルを比較した。
連続潜伏剤を用いた拡散モデルは判別モデルと自己回帰的アプローチの両方より優れていることを示す。
論文 参考訳（メタデータ） (2025-11-14T08:46:11Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - Adaptive Cubic Regularized Second-Order Latent Factor Analysis Model [14.755426957558868]
高次元および不完全HDIデータセットは、様々な現実世界のアプリケーションに広く普及している。
本稿では,情報不安定を緩和するための2つのアプローチを提案する。
ACRS HDIは、ALFが高速進行(SACR)モデルよりも高い表現を示すことを示した。
論文 参考訳（メタデータ） (2025-07-03T03:15:54Z) - ItDPDM: Information-Theoretic Discrete Poisson Diffusion Model [5.24776944932192]
本稿では,光子到着過程に着想を得た情報理論離散ポアソン拡散モデル(ITDPDM)を紹介する。
我々のアプローチの中心は、真のデータ可能性と証明可能な正確な関係を持つ情報理論ポアソン再構成損失(PRL)である。
IDPDMは、分布ロバストな離散生成モデルの概念の証明を実証する優れた推定値と競合生成品質を得る。
論文 参考訳（メタデータ） (2025-05-08T09:29:05Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - Secrets of RLHF in Large Language Models Part II: Reward Modeling [134.97964938009588]
本稿では,データセットにおける不正確で曖昧な嗜好の影響を軽減するために,一連の新しい手法を紹介する。
また、選択された応答と拒否された応答を区別する報酬モデルの有用性を高めるために、対照的な学習を導入する。
論文 参考訳（メタデータ） (2024-01-11T17:56:59Z) - Scalable Regularised Joint Mixture Models [2.0686407686198263]
多くの応用において、データは異なる基底分布を持つ潜在群にまたがるという意味で不均一である。
我々は,(i)明示的多変量特徴分布,(ii)高次元回帰モデル,(iii)潜在群ラベルの連成学習を可能にする異種データに対するアプローチを提案する。
このアプローチは明らかに高次元において有効であり、計算効率のためのデータ削減と、特徴数が大きければ鍵信号を保持する再重み付けスキームを組み合わせる。
論文 参考訳（メタデータ） (2022-05-03T13:38:58Z) - Adaptive Divergence-based Non-negative Latent Factor Analysis [6.265179945530255]
本研究では,適応分岐に基づく非負遅延因子モデル(ADNLF)を提案する。
ADNLFモデルは、高い計算効率を持つHDIデータセットの欠落データに対する推定精度を著しく向上させる。
論文 参考訳（メタデータ） (2022-03-30T11:28:36Z)
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。