多媒体推荐的帕累托不变表示学习
在大规模工业电子商务中,强调在线推荐系统的效率对于传递与多样化业务场景相关的高度相关的物品 / 内容广告至关重要。然而,现有研究大多专注于物品广告而忽视了内容广告的重要性,导致多实体结构内的不一致性和不公平检索。本文提出了一种能够解决这些问题的统一在线前 k 推荐的鲁棒表示学习方法,该方法构建了实体空间内的统一建模来确保数据的公平性。通过域对抗学习和多视图 Wasserstein 分布学习来学习鲁棒表示,同时通过同方差权重和正交约束来平衡冲突目标。各种实验证实了我们提出的方法的有效性和合理性,并在实际业务场景中成功部署。
Oct, 2023
该论文介绍了一种名为 PAIR 的多目标优化方案来改善针对 Out-of-Distribution 数据的机器学习模型的鲁棒性。该方案通过优化其他 OOD 目标来改进 OOD 目标的鲁棒性,并通过达到 Pareto 最优解来平衡 ERM 和 OOD 目标的权衡关系。在挑战性的基准测试 WILDS 上进行的广泛实验表明,PAIR 缓解了折衷并产生了最佳的 OOD 性能。
Jun, 2022
提出了一种弱监督信号和对比方法相结合的框架来同时学习解缠和不变表示,实验证明该方法在四个标准基准上均优于现有最先进方法,且无需对抗训练即具有更好的对抗防御能力。
Sep, 2022
本文提出了一种通过对抗学习策略学习能够抵抗特定数据因素影响的新型表示学习方法,并通过多个基准测试表明所提出的方法可以获取到不变表示,从而提高模型的泛化能力。
May, 2017
本文提出了一种新颖的分离方法来解决不变表示的问题,通过正交约束作为独立的代理来将有意义和敏感表示分离,并通过熵最大化来明确地强制有意义的表示对敏感信息不可知。该方法在公开的数据集上进行了评估,并将其与最先进的方法进行了比较,证明其在处理公平性和不变性方面具有最先进的性能。
Mar, 2020
提出了一种不变因果表示学习 (iCaRL) 方法,通过利用广义指数族分布得出数据表示,可以在非线性场景中实现超出分布的泛化,并发现目标的全部直接原因,针对合成和真实数据集提出性能优于基线方法的实验结果。
Feb, 2021
本文提出了 Adversarial Multimedia Recommendation (AMR) 方法,它使用对抗学习来提高多媒体推荐系统的鲁棒性。在对两个代表性的多媒体推荐任务进行实验后,结果验证了采用对抗学习的积极作用,并证明了我们的 AMR 方法的有效性。
Sep, 2018
该文介绍了一种使用隐式神经表示和超网络获取图像的不变语义表示的方法,该方法可以在任意或随机旋转和平移的图像中获取方向不变的语义表示,并与 SCAN 结合,获得最新的无监督聚类结果。
Apr, 2023