- REFINE: 随机范围网络嵌入寻找器
该论文提出了一种名为 REFINE 的算法,该算法利用随机矩阵分解技术对庞大的节点进行嵌入,以提高网络表示的效率和准确性。该算法基于跳字模型,使用正交约束和矩阵分解技术,使用随机阻塞 QR 分解快速获得节点表示。此外,该算法还设计了一种简单 - IJCAI个性化掩码保障的实用安全联邦推荐
本文提出了一种名为 FedMMF 的新型联邦推荐方法,通过使用来自本地数据的个性化掩码来保护数据隐私,同时不降低效率和准确性,实现了推荐系统中隐私保护和个性化要求的同时满足。
- ICLR低精度训练中的内存与误差权衡
本文提出一种基于 Pareto 估计的技术 (Pareto Estimation to Pick the Perfect Precision,PEPPP),使用矩阵分解来查找非支配配置 (即 Pareto 前沿),以在有限数量的网络评估下找 - ICML基于注释者共现插值和可证实对称非负矩阵分解的众包
本文提出了一种基于对称非负矩阵分解的方法来解决从嘈杂、不完整和众包注释中无监督学习 Dawid-Skene(D&S)模型的长期挑战,该方法确保了 D&S 模型的可识别性,具有低样本复杂性,并通过轻量级的算法解决共现问题来提高其可靠性。
- KDD基于学习的邻近矩阵分解用于节点嵌入
该论文提出了一种可训练相似度度量的节点嵌入方法 ——Lemane,该方法在大规模图上有着较高的可扩展性和更好的表现。
- 基于深度矩阵因式分解和分区对齐的多视角聚类
提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法,全面利用各视角的分区表示并融合多视角信息,通过交替优化算法解决优化问题,实验结果表明该算法在六个多视角数据集中优于目前的方法。
- 非凸矩阵分解的噪声梯度下降收敛于平坦极小值
本文研究了非凸矩形矩阵分解问题,通过引入噪声来解决全局极小值的不确定性,表明噪声向特定最优解施加了影响。
- AAAI时间潜变量自编码器:一种概率多元时间序列预测方法
本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解,并通过解码器建模输入序列的复杂分布,得到极好的表现。
- KDD自适应边界的概率度量学习用于 Top-K 推荐
本文提出了基于距离的推荐模型,通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法,以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施,成功地解决了个性化推荐系统面临的偏好信息获取难题,并且在 - EMNLPUNKs 无处不在:将多语言语言模型适应新的字符集
本文介绍了一种基于矩阵分解和词汇重叠的方法,能够快速适应预先训练的多语言模型以适应资源匮乏的语言和未知脚本,并且在这些语言中能够获得显著的性能提升。
- ICLR解决梯度下降隐式偏差的矩阵分解方法:贪婪的低秩学习
通过深度为 2 的矩阵分解及理论和实证证据,我们证明了梯度流(用无穷小初始化)等价于一个简单的启发式秩量化算法,同时对深度大于等于 3 的情况进行了扩展,并证明了深度的优势在于对初始化幅度的弱依赖性,因此这种秩量化更可能在实践中起作用。
- KDD消除推荐系统中流行度偏见的模型无关反事实推理
通过因果推断的方法,该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路,并采用多任务学习和反事实推断来实现此方案,有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。
- 跨域和跨系统推荐的深度框架
本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架 DCDCSR,通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导 DNN 的培训过程,有效利用评分数据,实验结果表明,该框架在推荐准确性方面优于现有的 CDR 和 - ICML面向开放世界推荐:一种基于归纳模型的协同过滤方法
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下 - IJCAI联邦矩阵分解中的隐私威胁
本文研究基于联邦学习框架下的矩阵分解法,将其分为三种模型,并分析每种模型存在的隐私威胁及保障方法,是矩阵分解法在联邦学习框架下的隐私威胁研究的第一篇。
- SIGIR基于噪声标签稳健学习的隐式反馈数据采样器设计
使用 Bayesian Point-wise Optimization 和 Matrix Factorization 等方法解决难以预测隐式反馈数据中用户偏好的问题,构建了一个噪声标签鲁棒的模型,从而有效提高了优化质量。
- SIGIR面向问题的推荐系统
本论文提出了一种名为 Qrec 的基于问题的推荐方法,采用新颖的矩阵分解和二进制搜索策略,使得用户可以通过回答问题寻找物品推荐,实现了主动式交互推荐,比传统方法更有效。
- 深度学习中的隐式正则化可能无法通过规范解释
通过矩阵分解问题的数学建模,探究梯度优化算法所诱导的隐含正则化问题,研究发现规范(norms)不能完全解释矩阵分解问题中的正则化问题,通过实验证明排名(rank)是更有用的解释方式以及有可能解释深度学习中的泛化问题。
- MM具有受限通信的贝叶斯矩阵分解高性能实现
在大规模数据上,将高度可扩展的后验传播算法与基于分布式异步通信的矩阵分解算法相结合,可以显著提高矩阵分解在减少墙钟时间方面的可扩展性。
- AAAI使用分散式矩陣分解實現智能隱私保護推薦
提出一种去中心化的矩阵分解方法作为点 of interest 推荐的解决方案,该方法采用基于随机游走的分布式学习技术,可以显著地提高推荐的准确率和召回率。