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...
IP属地：河南
-
基于因果嵌入的用户兴趣与推荐一致性分离 -
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...
-
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，...
-
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...
-
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...
-
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...
-
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...