सहयोगात्मक फ़िल्टरिंग के लिए उलटे मल्टी-इंडेक्स के साथ तेज़ वैरिएशनल ऑटोएनकोडर

वैरिएशनल ऑटोएनकोडर (VAE) को सहयोगात्मक फ़िल्टरिंग के लिए एक प्रतिनिधि गैर-रेखीय विधि के रूप में विस्तारित किया गया है। हालाँकि, VAE की सबसे बड़ी बाधा सभी आइटम पर सॉफ़्टमैक्स गणना में निहित है, जिससे हानि और अनुकूलन के लिए ग्रेडिएंट की गणना करने में आइटम की संख्या के अनुसार रेखीय लागत लगती है। यह वास्तविक दुनिया के परिदृश्यों में लाखों आइटम के कारण व्यावहारिक उपयोग में बाधा उत्पन्न करता है। महत्व नमूना लेना एक प्रभावी समीकरण विधि है, जिसके आधार पर नमूना सॉफ़्टमैक्स निकाला गया है। हालाँकि, मौजूदा विधियाँ आमतौर पर प्रस्ताव वितरण के रूप में समान या लोकप्रियता के नमूनों का उपयोग करती हैं, जिससे ग्रेडिएंट के अनुमान में बड़ा पूर्वाग्रह होता है। इस संदर्भ में, हम उलटे मल्टी-इंडेक्स के आधार पर आंतरिक-उत्पाद आधारित सॉफ़्टमैक्स संभाव्यता को विघटित करने का प्रस्ताव करते हैं, जिससे उपरेखीय-समय और अत्यधिक सटीक नमूना मिलता है। प्रस्तावित प्रस्तावों के आधार पर, हम सहयोगात्मक फ़िल्टरिंग के लिए एक तेज़ वैरिएशनल ऑटोएनकोडर (FastVAE) विकसित करते हैं। FastVAE तीन वास्तविक दुनिया के डेटा सेट पर प्रयोगों के अनुसार नमूनाकरण गुणवत्ता और दक्षता के मामले में उत्कृष्टता प्राप्त कर सकता है।