집합 간 상호작용의 깊은 모델

우리는 딥 러닝을 사용하여 두 개 이상의 객체 집합 간의 상호작용을 모델링합니다. 예를 들어, 사용자-영화 평점, 단백질-약물 결합, 또는 삼항 사용자-아이템-태그 상호작용 등이 있습니다. 이러한 상호작용의 표준 표현은 교환 가능성을 가지는 행렬(또는 고차원 텐서)입니다: 행이나 열을 바꾸어도 인코딩의 의미가 변하지 않습니다. 우리는 이러한 순열에 대해 동일한 예측을 하도록 제약된 모델이어야 한다고 주장하며, 이를 순열 동등성(Permutation Equivariance, PE)이라고 합니다. 우리는 파라미터 공유 방안을 제시하고, 이 방안이 PE를 위반하지 않는 한 더 많은 표현력을 가질 수 없다는 것을 증명하였습니다. 이 방안은 세 가지 이점을 제공합니다. 첫째, 여러 행렬 완성 벤치마크에서 최신 성능을 보여주었습니다. 둘째, 우리의 모델은 객체의 수와 독립적인 파라미터 수를 필요로 하므로 대규모 데이터셋에도 잘 확장됩니다. 셋째, 학습 시 이용할 수 없었던 새로운 객체에 대해 이후 관찰된 상호작용에 대해 질의할 수 있습니다. 실험 결과, 우리의 모델은 같은 분포에서 추출된 새로운 사용자와 새로운 영화와 같은 도메인 내에서뿐만 아니라 영화에 대한 학습 후 음악 평점을 예측하는 것과 같이 다른 도메인에서도 놀랍게도 좋은 일반화 성능을 보였습니다.