推薦系統玩家 之 因子分解機FM（Factorization Machines）
IP屬地：河南
-
可擴展個性化排名的批量學習框架個性化排名列表的頂部鼓勵高精度 現有的方法：（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：不能很好地擴展到大規模設置（由不準確的逐點或成...
-
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據，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建議問題：流行偏差問題在數據上，項目在交互頻率上呈現不均勻分布在方法上，協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擊模型問題描述： 點擊模型：研究用戶和物品排名列表互動，為學習排序模型提供了關于用戶反饋的更好理解。 點擊模型的關鍵：構造關系 1.概率圖形模型（PGM）依賴于手動分配的關系，且過...
-
圖數據的對抗攻擊和防御：綜述型
圖對抗的難點：(1)與由連續特征組成的圖像不同，圖形結構和節點特征是離散的。很難設計出能夠在離散空間,中生成對立示例的高效算法。(2)敵對擾動被設計為在圖像域中人類不可察覺，...
-
量子化學的神經信息傳遞解決問題：利用機器學習(尤其是深度學習)預測分子和材料的性質本質上，證明化學預測問題的有效機器學習模型能夠直接從分子圖中學習它們自己的特征，并且這種學習對于圖同構是不變的。 ...
-
-
對抗網絡圖：保護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點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GNN任務訓練 推斷--> 節點攻擊或鄰接點攻擊 圖...
-
BEGAN邊界平衡生成對抗網絡解決問題：GAN訓練模型較為困難 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...
-
LSGAN:最小二乘生成對抗網絡解決問題：解決傳統 GAN 生成圖片質量不高，訓練不穩定的問題。 做法：將傳統 GAN 的交叉熵損失函數換成最小二乘損失函數 本篇主要通過GAN對比來學習LSGAN 通過例子...
-
基于公平分解的公平新聞推薦 對抗性學習由上圖可知問題：由于時尚新聞可能被更多的女性用戶點擊，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...
-
-
-
深度學習中優化的總結SGD：批量梯度下降對于訓練數據集，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據，而非整個訓練集。即： η為學習率gt為x在t時刻的梯度。...
-
圖數據上的對抗攻擊與防御基本知識介紹
早期的對抗訓練方法主要是應用在圖像，語音和文本數據。因為這些數據是連續的，對抗的樣本和噪音比較容易產生。 圖像有噪音擾動，圖數據哪里來的擾動？ 舉個例子：在在線社交網絡中，水...
-
-
圖對抗訓練:基于圖結構的動態正則化（GAT）參考文獻：Graph Adversarial Training: Dynamically Regularizing Based on Graph Structure GAT在...
-
神經網絡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》《神經網絡有趣的特性》 《Threat of Adversar...