نماذج عميقة للتفاعلات بين المجموعات

نستخدم التعلم العميق لنمذجة التفاعلات بين مجموعتين أو أكثر من الأشياء، مثل تقييمات المستخدمين للأفلام، ربط البروتينات بالأدوية، أو التفاعلات الثلاثية بين المستخدم والعنصر والوسم. تمثيل هذه التفاعلات الكانوني هو مصفوفة (أو موتر ببعد أعلى) تتميز بخاصية القابلية للتبديل: معنى الترميز لا يتغير عند تبديل الصفوف والأعمدة. ندعي أن النماذج يجب أن تكون قابلة للتبديل بشكل مكافئ (Permutation Equivariant - PE): مقيدة لإصدار نفس التنبؤات عبر هذه التباديل. نقدم جهازًا لمشاركة المعلمات ونثبت أنه لا يمكن جعله أكثر تعبيرًا دون انتهاك خاصية PE. يوفر هذا الجهاز ثلاثة فوائد. أولاً، نظهر أداءً يتفوق على أفضل ما سبق في عدة مقاييس إكمال المصفوفة. ثانياً، نماذجنا تتطلب عددًا من المعلمات مستقلًا عن عدد الأشياء، وبالتالي فإنها تناسب جيدًا المجموعات الضخمة من البيانات. ثالثاً، يمكن استعلام النماذج عن أشياء جديدة لم تكن متاحة أثناء مرحلة التدريب، ولكن تم رصدها منذ ذلك الحين. في التجارب، حققت نماذجنا أداءً عامًا مفاجئًا في مهمة استكمال المصفوفة هذه، سواء داخل المجالات (مثل المستخدمين الجدد والأفلام الجديدة التي تم اختيارها من نفس التوزيع المستخدم للتدريب) وحتى عبر المجالات (مثل التنبؤ بتقييمات الموسيقى بعد التدريب على الأفلام).