이종욱 연구실

본 연구는 텍스트 기반 순차 추천에서 다중 속성을 가진 사용자와 아이템을 표현하고 복잡한 사용자 관심사를 매칭하는 문제를 해결하기 위해 MARS 모델을 제안합니다. MARS는 속성 인식 텍스트 인코딩을 통해 사용자와 아이템 표현을 추출하고 속성별 상호작용 매칭으로 사용자-아이템 점수를 계산합니다. 5개 벤치마크 데이터셋에서 Recall@10과 NDCG@10에서 각각 최대 24.43%, 29.26%의 성능 향상을 달성했습니다.

본 연구는 학습자의 망각 행동을 반영하지 못하는 기존 주의 기반 지식 추적 모델의 문제를 해결하기 위해 Forgetting-aware Linear Bias(FoLiBi)를 제안합니다. FoLiBi는 망각 행동을 선형 편향으로 모델링하여 기존 지식 추적 모델에 쉽게 적용되며, 네 개의 벤치마크 데이터셋에서 최대 2.58%의 AUC 성능 향상을 달성합니다.

본 논문은 선형 오토인코더의 L2 정규화와 영대각선 제약의 영향을 SVD와 PCA 관점에서 분석합니다. 영대각선 제약이 저순위 주성분의 영향을 감소시켜 인기도 낮은 아이템의 성능을 저하시킨다는 것을 발견하고, 대각선 부등식 제약을 사용하는 RLAE와 RDLAE 모델을 제안합니다. 6개 벤치마크 데이터셋에서 기존 모델과 비교하여 우수한 성능을 보이며, 특히 롱테일 아이템의 정확도를 크게 개선합니다.

본 논문은 협업 필터링에서 인기 아이템 편향을 완화하기 위해 uCTRL을 제안합니다. InfoNCE 손실 함수에서 유도한 정렬성과 균일성 함수를 최적화하며, 사용자와 아이템 모두의 편향을 제거하는 새로운 역확률 가중치 추정 방법을 개발합니다. 네 개의 벤치마크 데이터셋에서 Recall@20 12.22%, NDCG@20 16.33% 향상을 달성합니다.

극단적 다중 레이블 분류(XMC)의 확장성과 레이블 희소성 문제를 해결하기 위해 TailMix라는 Mixup 기반 증강 방법을 제안합니다. 역 성향 점수와 레이블 근접 그래프를 활용하여 문맥 벡터를 선택하고 새로운 샘플을 생성하며, 세 개의 벤치마크 데이터셋에서 특히 롱테일 레이블의 [email protected]와 [email protected] 성능을 향상시킵니다.