论文解读
文章平均质量分 93
阿涛e
这个作者很懒,什么都没留下…
展开
-
论文解读2:Causal Incremental Graph Convolution for Recommender System Retraining(因果增量图卷积在推荐系统再训练的应用)
为了实现在推荐系统中GCN模型高效的重新训练,其关键在于从邻域聚合中分离旧图,同时保留长期偏好信号并刷新非活动节点。该文章使用因果增量图卷积方法,即,在LightGCN模型中增加图增量卷积(IGC)和碰撞效应蒸馏(CED)。证明了IGC和CED的有效性和合理性。未来可以在IGC中应用不同的模型参数更新技术,以及在更多图学习应用中测试IGC和CED。原创 2024-06-27 22:51:44 · 1624 阅读 · 0 评论 -
论文解读:Toward Causal Representation Learning(向因果表示学习)
讨论了因果模型和统计模型等不同层次的模型,这些模型都建立在一系列涉及建模和数据收集的假设上面。说明了因果推断的理论基础知识,并强调了独立机制假设及相关概念(如不变性)为因果学习提供了有力的偏差,以及如何从观察数据和干预数据中学习因果关系。讨论了如何将因果框架应用于机器学习领域,如半监督学习、领域泛化以及对抗鲁棒性。未来研究领域将包括:①学习大规模的非线性因果关系:1、在什么条件下可以学习非线性因果关系;2、哪些训练框架最有利于利用机器学习方法进行扩展;原创 2024-06-27 15:23:55 · 1280 阅读 · 0 评论