論文の概要: Contributions to Representation Learning with Graph Autoencoders and
Applications to Music Recommendation
- arxiv url: http://arxiv.org/abs/2205.14651v1
- Date: Sun, 29 May 2022 13:14:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-04 12:44:34.168026
- Title: Contributions to Representation Learning with Graph Autoencoders and
Applications to Music Recommendation
- Title（参考訳）: グラフオートエンコーダによる表現学習への貢献と音楽推薦への応用
- Authors: Guillaume Salha-Galvan
- Abstract要約: グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)は、教師なしノード埋め込みの強力なグループとして登場した。
このPh.D.プロジェクトの初期には、GAEとVGAEのモデルも重要な制限に悩まされ、業界で採用されるのを防いだ。
我々はこれらのモデルを改善するためにいくつかの貢献を行い、グラフ表現を含む産業レベルの問題に対処するためにそれらの利用を促進することを目的としている。
- 参考スコア（独自算出の注目度）: 1.2691047660244335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph autoencoders (GAE) and variational graph autoencoders (VGAE) emerged as
two powerful groups of unsupervised node embedding methods, with various
applications to graph-based machine learning problems such as link prediction
and community detection. Nonetheless, at the beginning of this Ph.D. project,
GAE and VGAE models were also suffering from key limitations, preventing them
from being adopted in the industry. In this thesis, we present several
contributions to improve these models, with the general aim of facilitating
their use to address industrial-level problems involving graph representations.
Firstly, we propose two strategies to overcome the scalability issues of
previous GAE and VGAE models, permitting to effectively train these models on
large graphs with millions of nodes and edges. These strategies leverage graph
degeneracy and stochastic subgraph decoding techniques, respectively. Besides,
we introduce Gravity-Inspired GAE and VGAE, providing the first extensions of
these models for directed graphs, that are ubiquitous in industrial
applications. We also consider extensions of GAE and VGAE models for dynamic
graphs. Furthermore, we argue that GAE and VGAE models are often unnecessarily
complex, and we propose to simplify them by leveraging linear encoders. Lastly,
we introduce Modularity-Aware GAE and VGAE to improve community detection on
graphs, while jointly preserving good performances on link prediction. In the
last part of this thesis, we evaluate our methods on several graphs extracted
from the music streaming service Deezer. We put the emphasis on graph-based
music recommendation problems. In particular, we show that our methods can
improve the detection of communities of similar musical items to recommend to
users, that they can effectively rank similar artists in a cold start setting,
and that they permit modeling the music genre perception across cultures.
- Abstract（参考訳）: グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)は、教師なしノード埋め込み法の2つの強力なグループとして出現し、リンク予測やコミュニティ検出といったグラフベースの機械学習問題に様々な応用を行った。
それでも、このPh.D.プロジェクトの初期には、GAEとVGAEのモデルも重要な制約に悩まされ、業界で採用されるのを防いだ。
本論文では,グラフ表現を含む産業レベルの問題に対処するために,これらのモデルを改善するためのいくつかの貢献について述べる。
まず,従来のGAEモデルとVGAEモデルのスケーラビリティ問題を克服し,数百万のノードとエッジを持つ大規模グラフ上でこれらのモデルを効果的にトレーニングする2つの戦略を提案する。
これらの戦略はグラフデジェネラシーと確率サブグラフデコード手法をそれぞれ活用している。
さらに,産業用途に広く普及している有向グラフに対して,これらのモデルの最初の拡張を提供するGravity-Inspired GAEとVGAEを紹介する。
また、動的グラフに対するGAEおよびVGAEモデルの拡張についても検討する。
さらに,GAEモデルとVGAEモデルは必要以上に複雑であり,線形エンコーダを応用してそれらを単純化することを提案する。
最後に,グラフ上のコミュニティ検出を改善するためにモジュール性を考慮したGAEとVGAEを導入した。
本論文の最後に,音楽ストリーミングサービスdeezerから抽出した複数のグラフについて評価を行った。
グラフに基づく音楽レコメンデーション問題に重点を置いている。
特に,本手法は,利用者に推奨する類似楽曲のコミュニティの検出を改善するとともに,類似アーティストをコールド・スタート・セッティングで効果的にランク付けし,文化をまたいだ音楽ジャンルの認識をモデル化できることを示す。
関連論文リスト
- Can Modifying Data Address Graph Domain Adaptation? [20.343259091425708]
Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフからラベル付きターゲットグラフへの知識伝達を容易にすることを目的としている。
小さいが転送可能なグラフを生成する新しいUGDA法であるGraphAlignを提案する。
古典的な経験的リスク最小化(ERM)を備えた新しいグラフ上で、GNNのみをトレーニングすることにより、GraphAlignは、ターゲットグラフ上での例外的なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-07-27T17:56:31Z) - Variational Graph Auto-Encoder Based Inductive Learning Method for Semi-Supervised Classification [10.497590357666114]
帰納的グラフ表現学習のための自己ラベル拡張VGAEモデルを提案する。
学習にラベル情報を活用するため,本モデルではノードラベルをワンホット符号化入力とし,モデルトレーニングにおいてラベル再構成を行う。
提案したモデルアーカイブは、セミ教師付き学習環境下でのノード分類において、特に優越する結果を約束する。
論文 参考訳（メタデータ） (2024-03-26T08:59:37Z) - Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。
GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。
研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
論文 参考訳（メタデータ） (2024-02-01T02:44:32Z) - New Frontiers in Graph Autoencoders: Joint Community Detection and Link
Prediction [27.570978996576503]
リンク予測(LP)の強力な方法として,グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)が登場した。
特にノード機能がない場合、GAEとVGAEでCDをどの程度改善できるかは不明である。
これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
論文 参考訳（メタデータ） (2022-11-16T15:26:56Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳（メタデータ） (2022-07-10T06:42:02Z) - Modularity-Aware Graph Autoencoders for Joint Community Detection and
Link Prediction [27.570978996576503]
グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)はリンク予測の強力な手法として登場した。
GAEとVGAEによるコミュニティ検出がどの程度改善できるかは、まだ不明である。
これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
論文 参考訳（メタデータ） (2022-02-02T11:07:11Z) - Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。
このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。
我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-11-20T22:45:53Z) - On Generalization of Graph Autoencoders with Adversarial Training [8.608288231153304]
逆行訓練は、逆行性摂動に対するモデルの弾力性を高めるためのアプローチである。
2つの強力なノード埋め込み方式でL2とL1の対角訓練を定式化する。
我々は,L2とL1の両対向訓練がGAEとVGAEの一般化を促進することを実証した。
論文 参考訳（メタデータ） (2021-07-06T14:53:19Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。
情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。
一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文 参考訳（メタデータ） (2021-03-17T16:22:24Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z)
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。