基于 VAE 的推荐系统的正负评论
本文提出了一种新颖的使用方面标记的技术,可以从评论文本中生成个性化的推荐解释,允许用户通过批判文本解释来修改推荐条件,在两个真实数据集上的实验证明,该方法可以在单步和多步批判中适应用户的偏好,是一种新型的无监督批判方法。
May, 2020
本文提出了一种基于 actor-critic reinforcement learning 的协同过滤训练方法,使用 critic network 逼近排名度量指标,并通过 update actor network 来直接优化学习出的指标,当前方法好于现有的基于深度学习的方法,并被证明在大规模实际数据集上效果显著。
Jun, 2019
利用视觉 - 语义嵌入的新技术进行跨模态检索,通过采用 hard negative mining,结构化预测中的 hard negatives 和排名损失函数的结合,对多模态嵌入的常见损失函数进行简单改变,在微调和使用增强数据的情况下获得了显著的检索性能提升。作者在 MS-COCO 和 Flickr30K 数据集中展示了他们的方法 VSE ++,并使用消融研究和与现有方法的比较。在 MS-COCO 的图像和标题检索中,他们的方法在 R@1 上比现有技术方法分别提高了 11.3%和 8.8%。
Jul, 2017
本研究提出一种基于 VAE 的非线性概率模型,用于解决协作过滤问题,相对于现有的线性因子模型,具有更强的建模能力,并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现,并对使用多项式分布作为似然函数进行了比较实验,分析了使用贝叶斯方法的优缺点及适用场景。
Feb, 2018
本文提出了一种名为 ACVAE 的新方法,利用变分自编码器(VAE)和对抗训练来生成高质量的潜在变量,同时使用对比损失来学习个性化特征,并在捕捉序列的全局和局部相关性之前引入了卷积结构,实现了基于序列的推荐,实验表明,ACVAE 模型胜过其他现有的方法。
Mar, 2021
提出了一种基于多任务学习的统一模型(UMAE)来解决现有的视觉问答系统中存在的回答和解释分离的问题,其方法涉及在训练数据集中添加人工提示令牌,并在各种 VQA 相关任务上进行细调,实验证明该模型在准确性、解释性和领域外表现等方面均得到了明显的提高。
Jan, 2023
本文阐述了成功学习多模态生成模型的四个判定标准,提出了一种混合专家多模态变分自编码器(MMVAE)来学习不同模态的生成模型,并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力,从质量和数量两方面进行了定性和定量。
Nov, 2019
本文介绍了利用大型语言模型进行自然语言批判的方法,帮助人们更有效地检测摘要中的问题,并着重研究了批判能力的缩放特性和与生成能力和辨别能力的比较,为机器学习系统的监督提供了 AI 辅助人类反馈的概念证明。
Jun, 2022
研究发现,多模态变分自编码器存在上界限制,导致其生成质量不如完全无监督的单模态自编码器,且当前的算法无法满足所有复杂数据集上的期望表现,限制了其在弱监督数据建模应用中的实际效果。
Oct, 2021