Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Siamese neural networks in recommendation
Search
Syouya Tobita
June 06, 2024
Research
0
160
Siamese neural networks in recommendation
論文読み会@Newbees
Syouya Tobita
June 06, 2024
Tweet
Share
More Decks by Syouya Tobita
See All by Syouya Tobita
Matching theory based recommender systems in online dating
tobi_kite
0
80
Pose Estimationの汎用的な評価指標について
tobi_kite
0
610
Other Decks in Research
See All in Research
20250502_ABEJA_論文読み会_スライド
flatton
0
170
Trust No Bot? Forging Confidence in AI for Software Engineering
tomzimmermann
1
240
NLP2025参加報告会 LT資料
hargon24
1
320
利用シーンを意識した推薦システム〜SpotifyとAmazonの事例から〜
kuri8ive
1
200
[輪講] SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features
nk35jk
2
520
なめらかなシステムと運用維持の終わらぬ未来 / dicomo2025_coherently_fittable_system
monochromegane
0
390
ウッドスタックチャン:木材を用いた小型エージェントロボットの開発と印象評価 / ec75-sato
yumulab
1
410
生成的推薦の人気バイアスの分析:暗記の観点から / JSAI2025
upura
0
180
公立高校入試等に対する受入保留アルゴリズム(DA)導入の提言
shunyanoda
0
5.8k
EarthMarker: A Visual Prompting Multimodal Large Language Model for Remote Sensing
satai
3
340
言語モデルによるAI創薬の進展 / Advancements in AI-Driven Drug Discovery Using Language Models
tsurubee
2
370
AIによる画像認識技術の進化 -25年の技術変遷を振り返る-
hf149
6
3.5k
Featured
See All Featured
CoffeeScript is Beautiful & I Never Want to Write Plain JavaScript Again
sstephenson
161
15k
Build your cross-platform service in a week with App Engine
jlugia
231
18k
Making Projects Easy
brettharned
116
6.3k
The Cult of Friendly URLs
andyhume
79
6.5k
A designer walks into a library…
pauljervisheath
207
24k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
107
19k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
48
5.4k
Typedesign – Prime Four
hannesfritz
42
2.7k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
138
34k
A better future with KSS
kneath
239
17k
Optimising Largest Contentful Paint
csswizardry
37
3.3k
Into the Great Unknown - MozCon
thekraken
39
1.9k
Transcript
Siamese neural networks in recommendation Newbees論文読み会 飛田 祥弥
目次 • 概要 • Siamese Neural Networks(SNN) • 適用分野 •
適用タスク • 順伝播構造のアルゴリズム • 評価指標 • 今後の課題
概要 Siamese neural network(SNN)のRecommender Systems(RS)への適用文献がこれまでになく、 そのため、本論文はそれらをサーベイし、以下に沿って手法や課題について詳説している。 • SNNをRSに適用する最新の手法(~2023)について • 対象となるRSのタスク、SNNの適用方法、評価方法について
• 文献や実験的観点から考えられるSNNxRSにおけるギャップや課題について
Siamese Neural Networks (SNN) 1993年より2つの署名の類似度を測定するタスクで使われるようになり、代表的なアーキテクチャとし て、Pairs(1993)とTriplets(2015)形式のものがある。
Siamese Neural Networks (SNN): Pair形式 • 入力には類似度を測りたい2画像を用いる。順伝播の際に2つのnetwork間で重みを共有する形で学習 が進む。 • 各networkから抽出した特徴ベクトルから
損失関数により類似度(距離)を推定する。 • 損失関数にはBinary Cross Entropyや Contrastive lossが用いられる。
Siamese Neural Networks (SNN): Triplets形式 • 入力は3つあり、anchorには何かしらの画像、positiveにはanchorと類似した画像、negativeには anchorと類似していない画像を入力する。 • 順伝播構造はPairs形式と同じ
であるが損失関数が異なる。 • 損失関数にはTriplet Lossが 用いられる。 A, P, Nはanchor, positive, negative αはpositiveとnegativeのマージン(=1) e()は各入力パラメータの埋め込み
適用分野 SNNによるRSは2018年まで文献がなく、ここ数年で発展してきている。 主にEC、ファッション、映画、動画などで適用されており、入力データには画像だけでなく、テキス トや音が利用されることもある。
適用タスク RSにおけるSNNの利用目的として、純粋な予測のために使用する場合と、特徴量抽出を行う場合があ る。 順伝播構造は両方に用いられ、クラスタリングやLTRは後者として中間データで利用することを目的とし ている。
順伝播構造のアルゴリズム 順伝播構造を利用する場合には、主に5つのアーキテクチャが利用されており、 2023年の時点では最もCNNが利用されている。 TransformerやGCN(Graph Conv Network)などは発表から数年ほどの論文であるため、適用例が少 ないものと思われる。
評価指標 RSの領域がエラーメトリクスよりもランキングメトリクス を考慮する傾向がある。 また、そのことから一般的な評価指標とされる、 Recall@K, Presicion@K, Accuracy, AUC, F1, NDCG,
MRR, HR などが利用されている。
今後の課題 • 未だ発展途上の領域であるため、アルゴリズムや損失関数などの提案により、改善する余地が ある。 • どの研究も精度以外の評価指標(多様性やカバレッジなど)を考慮できていないため、バイアス(人気 度合いによる偏り)が起こる可能性がある。 • SNNのRS適用領域が乏しく且つ、シンプルなアルゴリズムであるため、未適用の主な領域(Web、 SNS等)へ適用することで、新たなプラスな面での寄与を促すことが必要である。
End of file