- 博客(9)
- 收藏
- 关注
RSS订阅原创 DT3OR：Dual Test-time Training for Out-of-distribution Recommender System——让推荐系统在“数据变了”时也能精准推荐
LLdαLcLLdαLc这里α是平衡两个损失的参数，比如α=1就是两者 equally important。不用重新训练：在推荐的时候（测试阶段）就能自己调整，省时间省算力；抓得准又能适应：既记住用户不变的喜好（比如爱吃辣），又能适应新变化（比如冬天爱吃辣火锅）；通用好用：不管是美团、Yelp还是Steam，各种推荐场景都能用。
2025-09-05 16:23:43
978
原创 文章解读：Dynamic Graph Information Bottleneck（DGIB）
这篇提出了一种增强动态图神经网络（DGNNs）抗攻击能力的方法。针对现有DGNNs在结构攻击和特征攻击下鲁棒性差的问题，作者改进了信息瓶颈（IB）理论，提出动态图信息瓶颈（DGIB）框架，通过"最小-充分-一致"条件学习抗干扰的节点表示。DGIB将优化目标分解为两个通道：DGIB_MS保证表示的信息充分且最小化冗余，DGIB_C确保时间维度上的预测一致性。
2025-09-04 15:31:33
997
原创 ABCOR ：Attention-based causal representation learning for out-of-distribution recommendation 文章解读
本文提出注意力机制驱动的因果分布外推荐框架ABCOR，解决传统因果OOD推荐框架（如COR）忽略潜在用户特征偏移和偏好间关联的问题。ABCOR通过变分注意力分析潜在用户特征偏移优化交互生成，利用多头自注意力层挖掘用户偏好关联提升预测准确性。在Meituan和Yelp数据集上的实验表明，ABCOR在Recall@K和NDCG@K指标上显著优于COR等模型（如Meituan数据集R@50提升26.63%）。消融实验验证了变分注意力、多头自注意力层及反事实推理的关键作用。ABCOR对时序类偏移（如消费周期）的捕捉
2025-09-04 14:26:16
971
原创 Environment-Aware Dynamic Graph Learning for Out-of-Distribution Generalization 文章解读
文章摘要 EAGLE框架首次从环境学习视角解决动态图分布外（OOD）泛化问题。针对现有动态图神经网络（DGNNs）依赖I.I.D.假设、易捕获虚假关联的缺陷，该框架通过四大核心模块实现突破：1）环境感知EA-DGNN建模潜在环境；2）ECVAE生成多样化环境样本；3）动态规划识别时空不变模式；4）节点级因果干预消除虚假关联。在COLLAB、Yelp和ACT三个真实数据集上的实验表明，EAGLE在链接属性偏移和节点特征偏移场景下的AUC指标显著优于静态GNN、动态GNN及OOD方法，如COLLAB的OOD场景
2025-09-01 15:17:53
538
原创 扩散模型条件注入全解析：从数学原理到落地实践
本文系统分析了扩散模型中三种主流条件注入方法：分类器引导（双模型协作）、无分类器引导（CFG单模型方案）和简单手动引导（规则驱动）。从数学原理、实现细节到落地特性进行对比，重点阐释了CFG通过线性组合有条件/无条件输出来放大条件影响的核心机制。文章提供了动态引导强度调整等优化技巧，并总结选型指南：高精准需求用分类器引导，通用场景推荐CFG，快速原型可采用简单手动引导。各类方法在计算成本、控制强度和风险上存在显著差异，需根据实际需求权衡选择。
2025-08-27 18:08:58
442
原创 扩散模型三种主流条件注入解析：从数学原理到落地实践
本文系统解析了扩散模型中三种条件注入方法：分类器引导（依赖外部模型，控制强但成本高）、无分类器引导（CFG，单模型灵活高效，当前主流）、手动引导（规则驱动，轻量但鲁棒性差）。通过数学原理、直观解读和落地对比，提供选型指南：高精度选分类器，通用场景用CFG，快速原型用手动。文章还给出动态调整权重、多模态融合等优化技巧及常见问题解决方案，强调实际应用中常需组合不同方法，以实现效果与成本的平衡。
2025-08-27 17:44:38
1003
原创 无监督机器学习聚类算法-K-均值（K-means）
K-均值（K-means）是一种经典的无监督机器学习聚类算法，由MacQueen于1967年首次提出[1]。该算法旨在将包含n个数据点的数据集= {₁,₂, ...,}划分成K个不相交的簇= {C₁, C₂, ..., Cₖ}，使得簇内平方和（Within-Cluster Sum of Squares, WCSS）最小化。
2025-06-26 19:42:04
773
原创 Cursor黑科技——AI编程非常实用
开发者如何有效融入AI编程工作流技术边界的认知与合理预期管理资源获取与社区支持途径该大纲保持技术深度同时兼顾可读性，每个章节均可独立扩展为实战案例解析。实际写作时可加入具体语言示例、性能测试数据及典型错误处理场景。
2025-06-26 19:35:34
324
空空如也
当推荐系统遇到强化学习
2025-08-25
TA创建的收藏夹 TA关注的收藏夹
TA关注的人