KI News: Kurz und klar.

Federierte sequentielle Empfehlungssysteme (FedSeqRec) ermöglichen die Vorhersage des nächsten Items, ohne dass Nutzerdaten zentralisiert werden. In der Praxis leiden die Modelle jedoch häufig unter fragmentierten, verrauschten und homogenen Interaktionsprotokollen, die auf einzelnen Geräten gespeichert sind. Traditionelle Ansätze versuchen, diese Schwächen durch manuelle Datenaugmentation oder zusätzliche serverseitige Einschränkungen zu kompensieren, was entweder die semantische Vielfalt begrenzt oder den Systemaufwand erhöht.

In den letzten Jahren hat der Softmax‑Loss (SL) in Empfehlungssystemen an Beliebtheit gewonnen, weil er bessere Ergebnisse, Robustheit und Fairness liefert. Bei implizitem Feedback kann jedoch ein einheitlicher Temperaturparameter und die gleichmäßige Behandlung aller negativ ausgewählten Items zu instabilen Trainingsläufen führen. Das liegt daran, dass die Stichproben unterschiedliche Mengen an relevanten oder informativen Konkurrenten enthalten.

In der Welt der Knowledge-Graph-Representation spielt das Negative Sampling (NS) eine entscheidende Rolle. Traditionelle NS-Methoden leiden jedoch unter Schwächen wie der Anfälligkeit für falsche Negativbeispiele, eingeschränkter Generalisierbarkeit und fehlender Kontrolle über die Schwierigkeit der generierten Samples. Um diese Probleme zu lösen, präsentiert die neue Arbeit DANS-KGC – Diffusionsbasiertes Adaptive Negative Sampling für Knowledge-Graph-Completion.