Fugu-MT 論文翻訳(概要): Sheaf Neural Networks for Graph-based Recommender Systems

論文の概要: Sheaf Neural Networks for Graph-based Recommender Systems

arxiv url: http://arxiv.org/abs/2304.09097v2
Date: Wed, 25 Oct 2023 14:05:10 GMT
ステータス: 処理完了
システム内更新日: 2023-10-26 21:11:48.577130
Title: Sheaf Neural Networks for Graph-based Recommender Systems
Title（参考訳）: グラフベース推薦システムのための層ニューラルネットワーク
Authors: Antonio Purificato, Giulia Cassar\`a, Pietro Li\`o, Fabrizio Silvestri
Abstract要約: レコメンデーションシステムの多くの問題は自然にグラフとしてモデル化できる。現在のグラフニューラルネットワークアプローチでは、ノードはトレーニング時に学習した静的ベクトルで表現される。本稿では,カテゴリ理論にヒントを得た最近提案されたモデルを提案する。
参考スコア（独自算出の注目度）: 9.085497328231142
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent progress in Graph Neural Networks has resulted in wide adoption by many applications, including recommendation systems. The reason for Graph Neural Networks' superiority over other approaches is that many problems in recommendation systems can be naturally modeled as graphs, where nodes can be either users or items and edges represent preference relationships. In current Graph Neural Network approaches, nodes are represented with a static vector learned at training time. This static vector might only be suitable to capture some of the nuances of users or items they define. To overcome this limitation, we propose using a recently proposed model inspired by category theory: Sheaf Neural Networks. Sheaf Neural Networks, and its connected Laplacian, can address the previous problem by associating every node (and edge) with a vector space instead than a single vector. The vector space representation is richer and allows picking the proper representation at inference time. This approach can be generalized for different related tasks on graphs and achieves state-of-the-art performance in terms of F1-Score@N in collaborative filtering and Hits@20 in link prediction. For collaborative filtering, the approach is evaluated on the MovieLens 100K with a 5.1% improvement, on MovieLens 1M with a 5.4% improvement and on Book-Crossing with a 2.8% improvement, while for link prediction on the ogbl-ddi dataset with a 1.6% refinement with respect to the respective baselines.
Abstract（参考訳）: グラフニューラルネットワークの最近の進歩は、レコメンデーションシステムを含む多くのアプリケーションで広く採用されている。グラフニューラルネットワークが他のアプローチよりも優れている理由は、レコメンデーションシステムの多くの問題は自然にグラフとしてモデル化できるためである。現在のグラフニューラルネットワークアプローチでは、ノードはトレーニング時に学習した静的ベクトルで表現される。この静的ベクトルは、定義したユーザやアイテムのニュアンスをキャプチャするのにのみ適しています。この制限を克服するために、最近提案されたカテゴリー理論にインスパイアされたモデル:せん断ニューラルネットワークを提案する。シーフニューラルネットワークとその連結ラプラシアンは、全てのノード(およびエッジ)を単一のベクトルではなくベクトル空間に関連付けることで、以前の問題に対処することができる。ベクトル空間表現はよりリッチで、推論時に適切な表現を選ぶことができる。このアプローチはグラフ上の異なる関連するタスクに対して一般化することができ、協調フィルタリングにおけるF1-Score@Nとリンク予測におけるHits@20の観点から最先端のパフォーマンスを達成することができる。協調フィルタリングでは、MovieLens 100Kでは5.1%改善、MovieLens 1Mでは5.4%改善、ブッククロッシングでは2.8%改善、ogbl-ddiデータセットでは1.6%改善、ベースラインでは1.6%改良された。

関連論文リスト

T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
How Expressive are Graph Neural Networks in Recommendation? [17.31401354442106]
グラフニューラルネットワーク(GNN)は、レコメンデーションを含むさまざまなグラフ学習タスクにおいて、優れたパフォーマンスを示している。近年、GNNの表現性を調査し、メッセージパッシングGNNがWeisfeiler-Lehmanテストと同じくらい強力であることを実証している。本稿では,GNNがノード間の構造的距離を捉える能力を評価するために,位相的近接度尺度を提案する。
論文参考訳（メタデータ） (2023-08-22T02:17:34Z)
Factor Graph Neural Networks [20.211455592922736]
グラフニューラルネットワーク(GNN)は、多くの現実世界のアプリケーションで大きな成功を収めながら、エンドツーエンドで強力な表現を学習することができる。推論と学習の高次関係を効果的に捉えるためにFGNN(Facter Graph Neural Networks)を提案する。
論文参考訳（メタデータ） (2023-08-02T00:32:02Z)
Reducing Over-smoothing in Graph Neural Networks Using Relational Embeddings [0.15619750966454563]
本稿では,GNNにおけるオーバー・スムーシング問題の影響を緩和する,シンプルで効率的な手法を提案する。我々の手法は他の手法と組み合わせて最高の性能を与えることができる。
論文参考訳（メタデータ） (2023-01-07T19:26:04Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2022-02-22T08:16:58Z)
Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文参考訳（メタデータ） (2020-10-19T21:51:47Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)
Self-Enhanced GNN: Improving Graph Neural Networks Using Model Outputs [20.197085398581397]
グラフニューラルネットワーク(GNN)は最近、グラフベースのタスクにおける優れたパフォーマンスのために、多くの注目を集めている。本稿では,既存のGNNモデルの出力を用いて,入力データの品質を向上させる自己強化型GNN(SEG)を提案する。 SEGは、GCN、GAT、SGCといったよく知られたGNNモデルのさまざまなデータセットのパフォーマンスを一貫して改善する。
論文参考訳（メタデータ） (2020-02-18T12:27:16Z)
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。