IJCAI2019|基于对抗变分自编码的协同过滤框架VAEGAN

最新推荐文章于 2024-04-26 10:09:02 发布
最新推荐文章于 2024-04-26 10:09:02 发布
阅读量946 收藏 4
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hestendelin/article/details/102383997
版权
VAEGAN是一种基于对抗变分自编码器的协同过滤框架，解决了传统模型中推理模型表达能力和隐含表示的限制问题。通过引入对抗训练和辅助判别网络，VAEGAN能更好地近似后验分布，提高推荐系统的准确性，并通过压缩损失增强模型泛化性能。实验证明，VAEGAN在多个数据集上显著优于现有标准模型。
摘要由CSDN通过智能技术生成

VAEGAN: A Collaborative Filtering Framework based on Adversarial Variational Autoencoders

Xianwen Yu, Xiaoning Zhang, Yang Cao, Min Xia

Peking University, SenseTime

IJCAI 2019

https://www.ijcai.org/proceedings/2019/0584.pdf

变分自编码在协同过滤中可以用于隐式反馈。然而，模型的效果主要依赖于推理模型的表达能力，并且隐含表示通常受限于表达能力而不能捕获真实的后验分布。

这篇文章提出一种新的框架，VAEGAN，该框架能够解决上述问题。在VAEGAN中，可以利用对抗变分贝叶斯（AVB）来训练变分自编码，其中推理模型可以具有任意的表达能力。利用GANs来获取隐式变分推理，推理模型能够更好地近似后验分布和极大似然。而且通过引入辅助判别网络利用对抗训练可以在推荐系统中得到高准确率。

另外，将压缩损失加入到传统的重构误差函数中，作为一种惩罚项，可以得到鲁棒特征，提升模型的泛化性能。

在多个真实数据集上的实验表明，本文提出的VAEGAN显著优于SOTA基准模型。

CDAE(Collaborative Denoising Autoencoders), VAE( Variational  Autoencoders), AVB(Adversarial Variational Bayes)结构对比如下

本文所提模型结构图示如下

本文的主要贡献如下

问题描述及符号表示如下

AVE基础及表示如下

最低0.47元/天 解锁文章
frank_hetest
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于自编码器的协同过滤（论文翻译）
u014473918的博客
03-31 4419
摘要：本文提出了AutoRec，一个效果非常棒的以自编码器为框架的用于协同过滤的模型。通过实验验证，AutoRec的简洁而有效的可训练模型在Movielens和Netflix数据集上的表现要胜过当前最先进的协同过滤算法（如偏置矩阵分解，限制玻尔兹曼机协同过滤RBM，局部低秩矩阵逼近算法LLORMA）。关键词：推荐系统; 协同过滤; 自动编码器1.介绍    协同过滤模型的主要目的是利用用户对商品的...
IJCAI2019.zip
09-18
IJCAI2019.zip，全是论文的pdf
CFGAN：A Generic Collaborative Filtering Framework based on Generative Adversarial Networks 详细理解备注
qq_28358305的博客
06-08 2860
今天很认真的看了一下来自HanyangUniversity的Dong-Kyu Chae发表在CIKM2018上的一篇论文《CFGAN：A Generic Collaborative Filtering Framework based on Generative Adversarial Networks》，这篇论文将GAN利用在推荐的领域上，说明了已有的IRGAN和GraghGAN在推荐上应用...
Multi-VAE：学习解纠缠公共视图和独特视图的视觉表示以用于多视图聚类
最新发布
qq_53536373的博客
04-26 939
我们考虑以下生成模型（即联合概率）：p(xv , zv , c) = p(xv |zv , c)p(zv , c) = p(xv |zv , c)p(zv )p(c), (2) 其中视图公共变量 c 由所有视图共享并表示它们的集群信息。它在[15,28]中讨论了它的可微松弛。在 β-VAE 中，ELBO 包含似然项和 KL 散度 (DKL) 项：LELBO (x) = Eq(z|x) [log p(x|z)]-βDKL(q(z|x)||p(z))，(1) 其中观察到的样本 x 是从潜在变量 z 生成的。
对抗变分贝叶斯：变分自编码器与生成对抗网络的统一（四）
S20144144的博客
08-21 1093
在上一篇的博文——对抗变分贝叶斯：变分自编码器与生成对抗网络的统一（三）中，我已经翻译过了原论文。的确，看中文的公式推导比看英文的公式推导理解起来要容易得多。然而，还有有很多地方有不理解或感觉牵强，更有很多地方的知识点并未get，还需进一步学习或巩固。那么，这篇博文就写写我总结的的一些知识点吧，若也有你所未接触过的并想了解的，欢迎一起交流学习；若有错误之处，还请多多指教。 文章目录1、显式、隐式2...
对抗变分贝叶斯：变分自编码器与生成对抗网络的统一（二）
S20144144的博客
08-14 1241
文章目录==加载一些必要的库====根据自己制作的图像列表的txt文档加载自己的数据集====定义训练迭代器和测试迭代器====原github代码部分====开始训练迭代====代码运行结果====一点小问题== 在上一篇博文也就是对抗变分自编码器——AVB(Adversarial Variational Bayes: Unifying Variational Autoencoders and …...
《变分自动编码器在协同过滤中的使用》做推荐召回 《Variational Autoencoders for Collaborative Filtering 》
12-26 1215
文章主要讲VAE中的隐式反馈在CF中的使用，取top K做为召回。非线性的概率模型可以大大提升模型的表征能力。 传统encode-decode框架把Input encode到一个“固定”的编码，然后再利用decode将编码复原到目标，对于未知的输入可能无法decode到有意义的输出，而VAE在encode过程得到一个隐式的分布得到均值和方差两个参数，通过两个参数确定的分布进行采样得到隐变量z，然...
SMDL:（IJCAI 2019）用于训练深度神经网络的次模块批量选择
05-03
IJCAI 2019 基于小批量梯度下降的方法是当今训练神经网络体系结构的实际算法。 我们介绍了一种基于子模函数最大化的小批量选择策略。 我们新颖的次模块公式可捕获每个样本的信息量以及整个子集的多样性。 我们设计了...
IJCAI 2019上的一个TF2.0教程，SciPy_Tokyo+Hands-on+TensorFlow+2.0.zip
11-02
发表在IJCAI 2019上的一个TF2.0教程，本教程是Google资深开发人员Josh Gordon讲授，提供了最新TensorFlow 2.0的实操介绍，重点介绍了最佳实践。
IJCAI-2019 Accept list
08-20
所有接收论文的列表 IJCAI-2019 Accept list
VAEGAN:Keras的论文“使用学习的相似性度量自动编码超出像素”的实现
05-16
瓦根 使用学习的相似性指标自动编码超出像素 对于这个项目，我们将重建Larsen等论文中指定的模型。 al。 （2016）。 （ ） 依存关系 凯拉斯 麻木 枕头 matplotlib 数据集 -使用对齐的图像，然后将其调整为64x64像素 概述 在这种方法中，将变分自动编码器（VAE）与生成对抗网络（GAN）组合在一起，以学习更高级别的图像相似性度量，而不是传统的逐元素度量。 模型如图1所示。 图1 VAE-GAN网络概述 编码器将数据样本$ x $编码为潜在表示$ z $，而解码器则尝试从潜在矢量重构$ x $。 该重建被馈送到GAN的判别器中，以了解更高级别的样本相似性。 使用公式1中的损失函数同时训练VAE和GAN，该函数由来自编码器的先验正则项，重构误差和GAN的样式误差组成。 但是，此组合丢失功能并未应用于整个网络。 图1显示了用于训练VAE / GAN网络的算法。 公
MATLAB的var模型代码-VAE-GAN-CelebA:与论文相关的代码和笔记本：VanRullen＆Reddy撰写的“使用深度生成神经网
05-23
MATLAB的var模型代码VAE-GAN-CelebA 与本文相关的Python代码：VanRullen＆Reddy（2019） 该文件夹包含： 一个（在CelebA数据集上约15个时期= 50,000个批次的64张图像） VAE-GAN人脸分解/重建模型的一组.py函数，尤其是： VAEGAN_image2latent.py =>从任何图像文件转到相应的1024D潜在编码（保存为Matlab .mat文件） VAEGAN_latent2image.py =>从1024D潜在编码（Matlab .mat文件）变为对应的图像 （可选）（4个主题，每个主题在扫描仪中看到> 8,000个面部）和一些Matlab分析代码 用法示例： VAEGAN_image2latent.py -i example.jpg #this will create example_z.mat with the 1024 latent vars VAEGAN_latent2image.py -i example_z.mat #this will generate example_z_g.jpg (and also
东南大学 崇志宏：VAE和GAN技术要点（部分内容）
08-18
变分自动编码和对抗生成网络在深度学习领域取得广泛的影响力，其背后思想和方法技巧可以在wake-sleep框架下进行统一和相互改进。本来希望能够这方面的工作做个总结，但是发现这是一个大的topic，涉及的文献源远流长，很难把握其中的要义，只要做成一个部分的ppt，需要继续努力完整这个讨论！
【推荐系统】协同过滤
CSDN_Black的博客
09-02 691
一、协同过滤：找到与某用户有相同偏好的其它用户，具体步骤： 1 收集用户偏好（比如电影推荐时，某用户对某电影的的打分，评论、转发等） 2 找到相似的用户或者物品 3 计算推荐 基于用户的协同过滤：计算用户之间的相似度   用户A与用户C很相似，但是A没有买物品D，所以给A推荐物品D 存在问题： 1 对于一个新用户，很难找到与他相近的用户 2 对于一个物品（本来想推荐给A的），...
协同推荐/协同过滤（collaborative filtering）和 协同适应方法（co-adaptation approach）
wydbyxr的博客
09-04 2275
协同推荐/协同过滤（collaborative filtering） 　　它最早源自电子商务，之后应用越来越广,在很多不同的领域都有协同推荐算法的相关应用，例如医疗等。 　　简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪...
【GANs学习笔记】（二十二）VAEGAN、BiGAN
a312863063的博客
11-01 1万+
2. VAEGAN      2.1 VAEGAN的原理        我们知道VAE可
深度学习《VAE-GAN》
热门推荐
qq_29367075的博客
12-08 1万+
VAE-GAN如下图所示，也就是VAE+GAN的组合。 我们知道VAE是由一个编码器一个解码器组成，编码器可以将数据映射到一个低维的空间分布code c，而解码器可以将这个分布还原回原始数据，因此decoder是很像GAN中的generateor，如果再后面拼接上一个判别器D，这样的话，前两个模块就是VAE，后俩模块就是GAN。 训练的时候，decoder输出的x’要和原始的x尽可能接近（L1或L2距离），x’和真实数据x经过D需要判别出是是否是真实的图片，训练结束后，我们就能直接取出GAN的部分做生成使
机器学习方法简介（5）--协同过滤推荐算法
gan785160627的博客
08-01 498
协同过滤推荐算法主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)。 1.基于用户的协同过滤算法(...
IJCAI 2019开幕：聚焦人工智能与机器学习，庆祝50周年里程碑
"IJCAI 2019今日开幕，十三个奖项依次揭晓。机器学习在IJCAI中占据主导地位，论文提交和收录数量均领先。其他热门领域包括计算机视觉、多智能体系统和自然语言处理。大会庆祝IJCAI的50周年和中国人工智能的40周年，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值