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

Los sistemas de recomendación multimodal utilizan varios tipos de información para modelar las preferencias de los usuarios y las características de los artículos, ayudando a los usuarios a descubrir artículos alineados con sus intereses. La integración de información multimodal mitiga los desafíos inherentes en los sistemas de recomendación, p. ej., el problema de escasez de datos y los problemas de inicio 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 plantean desafíos cruciales para la robustez de los modelos de recomendación. En este artículo, analizamos los sistemas de recomendación multimodal desde la nueva perspectiva de los mínimos locales planos y proponemos una estrategia de gradiente concisa pero efectiva llamada Gradiente Espejo (MG). Esta estrategia puede mejorar implícitamente la robustez del modelo durante el proceso de optimización, mitigando los riesgos de inestabilidad derivados de las entradas de información multimodal. También proporcionamos evidencia teórica sólida y realizamos extensos experimentos empíricos para demostrar la superioridad del MG en varios modelos y puntos de referencia de recomendación multimodal. Además, encontramos que el MG 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 entrenar sistemas de recomendación multimodal. El código se ha publicado en https://github.com/Qrange-group/Mirror-Gradient.