論文の概要: Single-Layer Graph Convolutional Networks For Recommendation

• arxiv url: http://arxiv.org/abs/2006.04164v1
• Date: Sun, 7 Jun 2020 14:38:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 07:56:05.834243
• Title: Single-Layer Graph Convolutional Networks For Recommendation
• Title（参考訳）: 推薦のための単層グラフ畳み込みネットワーク
• Authors: Yue Xu and Hao Chen and Zengde Deng and Junxiong Zhu and Yanghua Li and Peng He and Wenyao Gao and Wenjun Xu
• Abstract要約: Graph Convolutional Networks (GCNs) は、推奨タスクで最先端のパフォーマンスを達成した。 既存のGCNモデルでは、関連するすべてのノード間で再帰アグリゲーションを行う傾向があり、計算上の重荷が発生する。 DA類似性によってフィルタリングされた隣人からの情報を集約し,ノード表現を生成するための単一のGCN層を提案する。
• 参考スコア（独自算出の注目度）: 17.3621098912528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Networks (GCNs) and their variants have received significant attention and achieved start-of-the-art performances on various recommendation tasks. However, many existing GCN models tend to perform recursive aggregations among all related nodes, which arises severe computational burden. Moreover, they favor multi-layer architectures in conjunction with complicated modeling techniques. Though effective, the excessive amount of model parameters largely hinder their applications in real-world recommender systems. To this end, in this paper, we propose the single-layer GCN model which is able to achieve superior performance along with remarkably less complexity compared with existing models. Our main contribution is three-fold. First, we propose a principled similarity metric named distribution-aware similarity (DA similarity), which can guide the neighbor sampling process and evaluate the quality of the input graph explicitly. We also prove that DA similarity has a positive correlation with the final performance, through both theoretical analysis and empirical simulations. Second, we propose a simplified GCN architecture which employs a single GCN layer to aggregate information from the neighbors filtered by DA similarity and then generates the node representations. Moreover, the aggregation step is a parameter-free operation, such that it can be done in a pre-processing manner to further reduce red the training and inference costs. Third, we conduct extensive experiments on four datasets. The results verify that the proposed model outperforms existing GCN models considerably and yields up to a few orders of magnitude speedup in training, in terms of the recommendation performance.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)とその変種は、様々なレコメンデーションタスクにおいて、最先端のパフォーマンスを達成した。 しかし、既存のGCNモデルの多くは、関連するすべてのノード間で再帰的な集約を行う傾向にあり、計算負荷が激しくなる。 さらに、複雑なモデリング技術とともに多層アーキテクチャを好んでいる。 効果はあるものの、過剰なモデルパラメータが現実世界のレコメンデーターシステムにおける応用を妨げる。 そこで,本稿では,従来のモデルに比べて非常に少ない複雑さで優れた性能を実現することができる単層gcnモデルを提案する。 私たちの主な貢献は3倍です。 まず,隣り合うサンプリング過程をガイドし,入力グラフの品質を明示的に評価できる分布認識類似度(da類似度)という原理的類似度指標を提案する。 また,da類似性は理論解析と実験シミュレーションの両方を通して最終性能と正の相関があることを証明した。 第2に,単層GCNを用いた簡易GCNアーキテクチャを提案し,DA類似性によってフィルタリングされた隣人からの情報を集約し,ノード表現を生成する。 さらに、アグリゲーションステップはパラメータフリーな操作であり、トレーニングと推論のコストをさらに削減するために前処理で行うことができる。 第3に,4つのデータセットについて広範な実験を行う。 その結果,提案モデルが既存のgcnモデルを大幅に上回り,レコメンデーション性能の面では最大数桁のスピードアップが得られることを確認した。

関連論文リスト

• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• Flattened Graph Convolutional Networks For Recommendation [18.198536511983452]
  本稿では,既存のモデルに比べて非常に少ない複雑さで優れた性能を達成できるフラット化GCN(FlatGCN)モデルを提案する。 まず,1つの平坦なGCN層を用いて周辺情報を集約する簡易かつ強力なGCNアーキテクチャを提案する。 次に,隣り合うノード間の相関を計測し,最も価値のある隣人を選択するための情報的隣人-infomaxサンプリング手法を提案する。 第3に,最終層に階層的近傍表現を組み立てることで,学習した表現の表現性を向上する層アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2022-09-25T12:53:50Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Neighbor Enhanced Graph Convolutional Networks for Node Classification and Recommendation [30.179717374489414]
  本稿では,GCNモデルの性能に対する隣接品質の影響を理論的に分析する。 本稿では,既存のGCNモデルの性能向上を目的としたNeighbor Enhanced Graph Convolutional Network (NEGCN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-30T06:54:28Z)
• Non-Recursive Graph Convolutional Networks [33.459371861932574]
  非再帰グラフ畳み込みネットワーク(NRGCN)と呼ばれる新しいアーキテクチャを提案し、GCNのトレーニング効率と学習パフォーマンスの両方を改善します。 NRGCNは、内部層凝集と層非依存サンプリングに基づいて、各ノードの隣人のホップを表す。 このようにして、各ノードは、隣人の各ホップから独立して抽出された情報を連結することで直接表現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:12:18Z)
• Stronger, Faster and More Explainable: A Graph Convolutional Baseline for Skeleton-based Action Recognition [22.90127409366107]
  グラフ畳み込みネットワーク(GCN)に基づく効率的だが強力なベースラインを提案する。 畳み込みニューラルネットワーク(CNN)におけるResNetアーキテクチャの成功に触発されたResGCNモジュールがGCNで導入された。 PartAttブロックは、アクションシーケンス全体の上で最も重要な身体部分を発見するために提案される。
  論文  参考訳（メタデータ） (2020-10-20T02:56:58Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• A Robust Hierarchical Graph Convolutional Network Model for Collaborative Filtering [0.0]
  グラフ畳み込みネットワーク(GCN)は大きな成功を収め、レコメンダシステムを含む様々な分野に適用されてきた。 GCNは依然として、トレーニングの困難、過剰なスムーシング、敵の攻撃に対する脆弱性など、多くの問題に悩まされている。
  論文  参考訳（メタデータ） (2020-04-30T12:50:39Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。