ترجمه فارسی مقاله توصیه‌های چند دامنه‌ایِ آگاه از وضوح تصویر به کاربرانِ شروع سرد

چکیده

Cross-Domain Recommendation (CDR) is a promising paradigm inspired by transfer learning to solve the cold-start problem in recommender systems. Existing state-of-the-art CDR methods train an explicit mapping function to transfer the cold-start users from a data-rich source domain to a target domain. However, a limitation of these methods is that the mapping function is trained on overlapping users across domains, while only a small number of overlapping users are available for training. By visualizing the loss landscape of the existing CDR model, we find that training on a small number of overlapping users causes the model to converge to sharp minima, leading to poor generalization. Based on this observation, we leverage loss-geometry-based machine learning approach and propose a novel CDR method called Sharpness-Aware CDR (SCDR). Our proposed method simultaneously optimizes recommendation loss and loss sharpness, leading to better generalization with theoretical guarantees. Empirical studies on real-world datasets demonstrate that SCDR significantly outperforms the other CDR models for cold-start recommendation tasks, while concurrently enhancing the model’s robustness to adversarial attacks.

چکیده به فارسی (ترجمه ماشینی)

توصیه دامنه متقابل (CDR) یک الگوی امیدوار کننده است که از یادگیری انتقال برای حل مشکل شروع سرما در سیستم های پیشنهادی الهام گرفته است.روشهای پیشرفته و پیشرفته CDR یک عملکرد نقشه برداری صریح را برای انتقال کاربران شروع سرد از یک دامنه منبع غنی از داده به یک دامنه هدف آموزش می دهد.با این حال ، محدودیت این روش ها این است که عملکرد نقشه برداری بر روی همپوشانی کاربران در دامنه ها آموزش داده می شود ، در حالی که تنها تعداد کمی از کاربران همپوشانی برای آموزش در دسترس هستند.با تجسم چشم انداز ضرر مدل CDR موجود ، می فهمیم که آموزش در تعداد کمی از کاربران همپوشانی باعث می شود که این مدل به حداقل های تیز تبدیل شود و منجر به تعمیم ضعیف شود.بر اساس این مشاهدات ، ما از رویکرد یادگیری ماشین مبتنی بر ضرر و زیان سنج استفاده می کنیم و یک روش جدید CDR به نام CDR آگاهانه وضوح (SCDR) را پیشنهاد می کنیم.روش پیشنهادی ما به طور همزمان توصیه و وضوح از دست دادن توصیه را بهینه می کند و منجر به تعمیم بهتر با ضمانت های نظری می شود.مطالعات تجربی در مجموعه داده های دنیای واقعی نشان می دهد که SCDR به طور قابل توجهی از سایر مدلهای CDR برای کارهای توصیه شروع سرد فراتر می رود ، در حالی که همزمان استحکام مدل را به حملات مخالف افزایش می دهد.