简化和加强隐式协同过滤负采样

Sep, 2020

Simplify and Robustify Negative Sampling for Implicit Collaborative Filtering

Jingtao Ding, Yuhan Quan, Quanming Yao, Yong Li, Depeng Jin

TL;DR本文提出一种简化负采样模型的方法，通过针对设计的内存进行高效采样，解决模型学习中的假阴性问题。在两个合成数据集和三个真实数据集上的实证结果表明，该方法在负采样方面具有鲁棒性和优越性。

Abstract

negative sampling approaches are prevalent in implicit collaborative filtering for obtaining negative labels from massive unlabeled data. As two major concerns in negative sampling, efficiency and effectiveness a

negative sampling implicit collaborative filtering false negative instances model learning memory

发现论文，激发创造

贝叶斯负采样用于推荐

提出了一种基于贝叶斯分类器的负采样算法（BNS），通过区分真负样本和虚假负样本，提高了负采样的质量和推荐性能。

Apr, 2022

弱标签学习中负采样的重要性

通过研究负样本实例的选择策略，本文提出了几种采样策略，可以有效提升弱标签学习的性能，降低计算成本，并证明负样本并非完全无关，明智地选择负样本有助于弱标签学习。

Sep, 2023

图表示学习中负采样的理解

本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在 19 个实验设置中证明了其优越性。

May, 2020

重新思考负采样来处理缺失实体注释

本文介绍了关于如何使用负采样处理命名实体识别任务的缺失注释的分析和改进方法，通过引入 missampling 和 uncertainty 两个概念，实验证明负采样的低错误率和高不确定性是实现良好表现的关键，并提出了一种自适应和加权采样方法提高了负采样性能，证明在合成数据集以及 CoNLL-2003 数据集中，改进后的负采样方法能够提高 F1 得分且 loss 收敛速度更快，更进一步在实际数据集比如 EC 上取得了最新的最佳效果。

Aug, 2021

实例判别式自监督表示学习中负样本的理解

本文提供了一种分析负样本使用对自监督学习下游任务的影响的新框架，证明了在一些实际场景下，使用更多负样本可以提高分类性能，并使用 coupon collector's 问题隐式地将下游任务的监督损失纳入到自监督损失中。

Feb, 2021

SimANS: 简单的模糊负例采样在密集文本检索中的应用

提出了一种简单的 “SimANS” 方法用于负采样，通过使用新的采样概率分布来选择歧义性更大的负例，并显示相对于已有方法更加有效。

Oct, 2022

负采样的必要性研究及其理论和应用的洞见

负采样是一个重要的研究焦点，在机器学习、计算机视觉、自然语言处理、数据挖掘和推荐系统等广泛应用领域受到关注。本文提出一个通用框架，利用负采样方法解决这一问题，并通过追溯负采样的发展历程，将负采样方法分为五类，包括静态、困难例子、基于生成对抗网络、辅助型和小批量内）。通过详细分类和强调负采样在各个领域的应用，揭示负采样的实际益处，并讨论了负采样的未解决问题和未来发展方向。

Feb, 2024

针对聚类感知的无监督句子表示负采样

本文提出了 ClusterNS 这一新的对比学习方法，将聚类信息引入负样本选择，同时使用改进的 K 均值聚类算法提供难负样本和识别批内的假负样本，以解决这一问题。实验表明我们的方法在无监督句子表示学习方面的性能优于基线模型，在语义文本相似度任务上表现出色。

May, 2023

个性化负反馈贮存器在推荐系统中的增量学习

为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。

Mar, 2024

远距监督命名实体识别负例更好的采样

本文提出了一种简单直接的方法，通过选择与所有正样本相似度高的负样本来训练，以提高四个远程监督 NER 数据集的性能表现，并且分析表明有必要区分真负样本和假负样本。

May, 2023