問題：推薦模型基于觀測交互數(shù)據(jù)，流行項(xiàng)目的從眾混合了用戶真正興趣。 一致性取決于用戶和項(xiàng)目：（用戶和項(xiàng)目關(guān)系）一個用戶對不同項(xiàng)目的一致性不同，不同用戶對一個項(xiàng)目的一致性也不同...
IP屬地：河南
-
基于因果嵌入的用戶興趣與推薦一致性分離 -
可擴(kuò)展個性化排名的批量學(xué)習(xí)框架個性化排名列表的頂部鼓勵高精度 現(xiàn)有的方法：（1）為非光滑排序度量尋找光滑的凸代理，（2）直接修改更新過程以提高最高精度 問題：不能很好地?cái)U(kuò)展到大規(guī)模設(shè)置（由不準(zhǔn)確的逐點(diǎn)或成...
-
圖數(shù)據(jù)的對抗攻擊和防御：綜述型
圖對抗的難點(diǎn)：(1)與由連續(xù)特征組成的圖像不同，圖形結(jié)構(gòu)和節(jié)點(diǎn)特征是離散的。很難設(shè)計(jì)出能夠在離散空間,中生成對立示例的高效算法。(2)敵對擾動被設(shè)計(jì)為在圖像域中人類不可察覺，...
-
一種用于信息檢索的對抗性模仿點(diǎn)擊模型問題描述： 點(diǎn)擊模型：研究用戶和物品排名列表互動，為學(xué)習(xí)排序模型提供了關(guān)于用戶反饋的更好理解。 點(diǎn)擊模型的關(guān)鍵：構(gòu)造關(guān)系 1.概率圖形模型（PGM）依賴于手動分配的關(guān)系，且過...
-
量子化學(xué)的神經(jīng)信息傳遞解決問題：利用機(jī)器學(xué)習(xí)(尤其是深度學(xué)習(xí))預(yù)測分子和材料的性質(zhì)本質(zhì)上，證明化學(xué)預(yù)測問題的有效機(jī)器學(xué)習(xí)模型能夠直接從分子圖中學(xué)習(xí)它們自己的特征，并且這種學(xué)習(xí)對于圖同構(gòu)是不變的。 ...
-
-
對抗網(wǎng)絡(luò)圖：保護(hù)信息免受攻擊解決問題：鄰域聚合范式為試圖提取敏感屬性的節(jié)點(diǎn)級信息的攻擊者暴露了額外漏洞 惡意攻擊者在推斷時，偷取敏感信息 傳統(tǒng)GNN任務(wù)訓(xùn)練 推斷--> 節(jié)點(diǎn)攻擊或鄰接點(diǎn)攻擊 圖...
-
基于公平分解的公平新聞推薦 對抗性學(xué)習(xí)由上圖可知問題：由于時尚新聞可能被更多的女性用戶點(diǎn)擊，而 NBA 新聞可能被更多的男性用戶偏好，所以模型可能傾向于只向女性用戶推薦時尚新聞，向男性用戶推薦 NBA 新聞。在這...
-
LSGAN:最小二乘生成對抗網(wǎng)絡(luò)解決問題：解決傳統(tǒng) GAN 生成圖片質(zhì)量不高，訓(xùn)練不穩(wěn)定的問題。 做法：將傳統(tǒng) GAN 的交叉熵?fù)p失函數(shù)換成最小二乘損失函數(shù) 本篇主要通過GAN對比來學(xué)習(xí)LSGAN 通過例子...