双重修正框架用于去噪推荐
研究探讨了去噪隐式反馈机制对于推荐系统训练的影响和重要性,提出了一种自适应去噪训练策略(ADT),通过在训练过程中适当地剪枝噪声交互以提高推荐系统的训练质量。实验结果表明,ADT 显著改善了推荐质量。
Jun, 2020
提出了一个深度学习神经网络的标签检查和修正方法,该方法结合了小损失选择和噪声校正的思想,采用两个不同的网络来通过小损失选择方法训练,并根据两网络的分类误差和同意误差的评估来度量训练数据的置信度,在真实和人工数据集上测试表明该方法优于基准方法。
Feb, 2022
通过两个机器学习模型之间的 KL 散度最小化以及数据观测的最大似然,提出了从有噪标签中学习鲁棒的机器学习模型的新框架,并在二元标签场景和多标签场景中进行了实验,结果表明该方法显著提高了模型性能。
Aug, 2023
本文提出了一种名为 DRPN 的神经网络算法,利用正负隐式反馈来提高推荐性能,并通过降噪模块去除正负隐式反馈中的噪声,实现更好的新闻推荐性能。实验表明 DRPN 在大规模数据集上的表现是最先进的。
Apr, 2022
提出了一种基于数据奇异值分解的噪声标签检测方法,即使用噪声数据与潜在表征之间的对齐度测量来过滤噪声实例,应用于半监督学习、噪声鲁棒性损失函数等方面,并在基准数据集上验证了其较基准算法更为优越的性能。
Feb, 2021
本文介绍了一种基于原始数据集更清洁的假设,利用有机教师模型提供的软增强标签进行学习的数据增强即时去噪方法,并应用简单的自正则化模块来防止在噪声标签上过拟合,该方法可应用于各种数据扩充技术,可以在文本分类和问答任务中提高性能。
Dec, 2022
通过融合伪标记和置信度估计技术,Robust LR 方法成功地改善了数据标签噪声和确认偏差,并在以不同级别合成噪声的 CIFAR 和真实噪声的 Mini-WebVision 和 ANIMAL-10N 三个数据集上实现了最先进的性能。
Dec, 2021
本文提出了一种名为 DDCF 的双重分离协作过滤方法,通过分离意图和偏好的影响因素,构建独立的偏好表示,以提高个性化推荐性能的鲁棒性和可解释性。实验表明,DDCF 显著提高了性能和解释能力。
May, 2023