推薦系統(tǒng)玩家 之 因子分解機(jī)FM（Factorization Machines）
IP屬地：河南
-
推薦系統(tǒng)玩家 之 因子分解機(jī)FM（Factorization Machines）
-
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：不能很好地擴(kuò)展到大規(guī)模設(shè)置（由不準(zhǔn)確的逐點(diǎn)或成...
-
基于因果嵌入的用戶興趣與推薦一致性分離問題：推薦模型基于觀測交互數(shù)據(jù)，流行項目的從眾混合了用戶真正興趣。 一致性取決于用戶和項目：（用戶和項目關(guān)系）一個用戶對不同項目的一致性不同，不同用戶對一個項目的一致性也不同...
-
利用流行偏見的因果干預(yù)建議問題：流行偏差問題在數(shù)據(jù)上，項目在交互頻率上呈現(xiàn)不均勻分布在方法上，協(xié)同過濾方法容易通過過度推薦熱門項目來放大偏見 如何利用流行偏差來提高推薦的準(zhǔn)確性？問題分解：（1）如何去...
-
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...
-
-
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)計為在圖像域中人類不可察覺，...
-
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...
-
BEGAN邊界平衡生成對抗網(wǎng)絡(luò)解決問題：GAN訓(xùn)練模型較為困難 做法：BEGAN并沒有直接去估計生成分布 pg 和真實(shí)分布 px 的距離，而是估計兩者分布誤差的距離。 分布之間的誤差分布相近的話，也可以認(rèn)...
-
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...
-
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...
-
-
-
深度學(xué)習(xí)中優(yōu)化的總結(jié)SGD：批量梯度下降對于訓(xùn)練數(shù)據(jù)集，我們首先將其分成n個批量，每個批量包含m個樣本。我們每次更新都利用一個批量的數(shù)據(jù)，而非整個訓(xùn)練集。即： η為學(xué)習(xí)率gt為x在t時刻的梯度。...
-
圖數(shù)據(jù)上的對抗攻擊與防御基本知識介紹
早期的對抗訓(xùn)練方法主要是應(yīng)用在圖像，語音和文本數(shù)據(jù)。因為這些數(shù)據(jù)是連續(xù)的，對抗的樣本和噪音比較容易產(chǎn)生。 圖像有噪音擾動，圖數(shù)據(jù)哪里來的擾動？ 舉個例子：在在線社交網(wǎng)絡(luò)中，水...
-
VAT虛擬對抗訓(xùn)練參考論文：Graph Adversarial Training: Dynamically Regularizing Based on Graph Structure 功能介紹...
-
圖對抗訓(xùn)練:基于圖結(jié)構(gòu)的動態(tài)正則化（GAT）參考文獻(xiàn)：Graph Adversarial Training: Dynamically Regularizing Based on Graph Structure GAT在...
-
神經(jīng)網(wǎng)絡(luò)中的對抗攻擊與對抗樣本對抗攻擊 對抗攻擊論文參考：《Intriguing properties of neural networks》《神經(jīng)網(wǎng)絡(luò)有趣的特性》 《Threat of Adversar...