Gradiente Espejo: Hacia Sistemas de Recomendación Multimodales Robustos a través de la Exploración de Mínimos Locales Planos

Los sistemas de recomendación multimodales utilizan varios tipos de información para modelar las preferencias de los usuarios y las características de los ítems, ayudando a los usuarios a descubrir ítems alineados con sus intereses. La integración de información multimodal mitiga los desafíos inherentes en los sistemas de recomendación, por ejemplo, el problema de escasez de datos y los problemas de arranque en frío. Sin embargo, al mismo tiempo magnifica ciertos riesgos derivados de las entradas de información multimodal, como el riesgo de ajuste de información y el riesgo de ruido inherente. Estos riesgos representan desafíos cruciales para la robustez de los modelos de recomendación. En este artículo, analizamos los sistemas de recomendación multimodales desde la nueva perspectiva de mínimos locales planos y proponemos una estrategia de gradiente concisa pero efectiva llamada Gradiente Espejo (GE). Esta estrategia puede mejorar implícitamente la robustez del modelo durante el proceso de optimización, mitigando los riesgos de inestabilidad que surgen de las entradas de información multimodal. También proporcionamos pruebas teóricas sólidas y realizamos extensos experimentos empíricos para demostrar la superioridad de GE en varios modelos de recomendación multimodal y estándares. Además, descubrimos que el GE propuesto puede complementar los métodos de entrenamiento robusto existentes y ser fácilmente extendido a diversos modelos de recomendación avanzados, convirtiéndolo en un nuevo y prometedor paradigma fundamental para el entrenamiento de sistemas de recomendación multimodales. El código está disponible en https://github.com/Qrange-group/Mirror-Gradient.