推荐系统玩家 之 因子分解机FM（Factorization Machines）
IP属地：河南
-
可扩展个性化排名的批量学习框架个性化排名列表的顶部鼓励高精度 现有的方法：（1）为非光滑排序度量寻找光滑的凸代理，（2）直接修改更新过程以提高最高精度 问题：不能很好地扩展到大规模设置（由不准确的逐点或成...
-
基于因果嵌入的用户兴趣与推荐一致性分离问题：推荐模型基于观测交互数据，流行项目的从众混合了用户真正兴趣。 一致性取决于用户和项目：（用户和项目关系）一个用户对不同项目的一致性不同，不同用户对一个项目的一致性也不同...
-
利用流行偏见的因果干预建议问题：流行偏差问题在数据上，项目在交互频率上呈现不均匀分布在方法上，协同过滤方法容易通过过度推荐热门项目来放大偏见 如何利用流行偏差来提高推荐的准确性？问题分解：（1）如何去...
-
一种用于信息检索的对抗性模仿点击模型问题描述： 点击模型：研究用户和物品排名列表互动，为学习排序模型提供了关于用户反馈的更好理解。 点击模型的关键：构造关系 1.概率图形模型（PGM）依赖于手动分配的关系，且过...
-
图数据的对抗攻击和防御：综述型
图对抗的难点：(1)与由连续特征组成的图像不同，图形结构和节点特征是离散的。很难设计出能够在离散空间,中生成对立示例的高效算法。(2)敌对扰动被设计为在图像域中人类不可察觉，...
-
量子化学的神经信息传递解决问题：利用机器学习(尤其是深度学习)预测分子和材料的性质本质上，证明化学预测问题的有效机器学习模型能够直接从分子图中学习它们自己的特征，并且这种学习对于图同构是不变的。 ...
-
-
对抗网络图：保护信息免受攻击解决问题：邻域聚合范式为试图提取敏感属性的节点级信息的攻击者暴露了额外漏洞 恶意攻击者在推断时，偷取敏感信息 传统GNN任务训练 推断--> 节点攻击或邻接点攻击 图...
-
BEGAN边界平衡生成对抗网络解决问题：GAN训练模型较为困难 做法：BEGAN并没有直接去估计生成分布 pg 和真实分布 px 的距离，而是估计两者分布误差的距离。 分布之间的误差分布相近的话，也可以认...
-
LSGAN:最小二乘生成对抗网络解决问题：解决传统 GAN 生成图片质量不高，训练不稳定的问题。 做法：将传统 GAN 的交叉熵损失函数换成最小二乘损失函数 本篇主要通过GAN对比来学习LSGAN 通过例子...
-
基于公平分解的公平新闻推荐 对抗性学习由上图可知问题：由于时尚新闻可能被更多的女性用户点击，而 NBA 新闻可能被更多的男性用户偏好，所以模型可能倾向于只向女性用户推荐时尚新闻，向男性用户推荐 NBA 新闻。在这...
-
-
-
深度学习中优化的总结SGD：批量梯度下降对于训练数据集，我们首先将其分成n个批量，每个批量包含m个样本。我们每次更新都利用一个批量的数据，而非整个训练集。即： η为学习率gt为x在t时刻的梯度。...
-
图数据上的对抗攻击与防御基本知识介绍
早期的对抗训练方法主要是应用在图像，语音和文本数据。因为这些数据是连续的，对抗的样本和噪音比较容易产生。 图像有噪音扰动，图数据哪里来的扰动？ 举个例子：在在线社交网络中，水...
-
-
图对抗训练:基于图结构的动态正则化（GAT）参考文献：Graph Adversarial Training: Dynamically Regularizing Based on Graph Structure GAT在...
-
神经网络中的对抗攻击与对抗样本对抗攻击 对抗攻击论文参考：《Intriguing properties of neural networks》《神经网络有趣的特性》 《Threat of Adversar...